python爬取NUS-WIDE数据库图片


            实验室需要NUS-WIDE数据库中的原图，数据集的地址为http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm   由于这个数据只给了每个图片的URL，所以需要一个小爬虫程序来爬取这些图片。在图片的下载过程中建议使用VPN。由于一些URL已经失效，所以会下载一些无效的图片。





# PYTHON 2.7   Ubuntu 14.04

nuswide = "$NUS-WIDE-urls_ROOT" #the location of your nus-wide-urls.txt

imagepath = "$IMAGE_ROOT" # path of dataset you want to download in

f = open(nuswide, 'r')

url = f.readlines()

import re

import urllib

import os

reg = r"ImageData.+?jpg"

location_re = re.compile(reg)

reg = r"(ImageData.+?)/0"

direction_re = re.compile(reg)

reg = r"http.+?jpg"

image_re = re.compile(reg)

for i in url:

  filename = re.findall(location_re, i)

  direction = re.findall(direction_re, i)

  image = re.findall(image_re, i)

  if image:

    path = imagepath+filename[0]

    path_n = imagepath+direction[0]

    print path_n

    if os.path.exists(path_n):

      urllib.urlretrieve(image[1], path)

    else:

      os.makedirs(path_n)

      urllib.urlretrieve(image[1], path)





再给大家分享一个爬取百度贴吧图片的小爬虫（你懂得）





#coding=utf-8



#urllib模块提供了读取Web页面数据的接口

import urllib

#re模块主要包含了正则表达式

import re

#定义一个getHtml()函数

def getHtml(url):

  page = urllib.urlopen(url) #urllib.urlopen()方法用于打开一个URL地址

  html = page.read() #read()方法用于读取URL上的数据

  return html



def getImg(html):

  reg = r'src="(.+?\.jpg)" pic_ext'  #正则表达式，得到图片地址

  imgre = re.compile(reg)   #re.compile() 可以把正则表达式编译成一个正则表达式对象.

  imglist = re.findall(imgre,html)   #re.findall() 方法读取html 中包含 imgre（正则表达式）的  数据

  #把筛选的图片地址通过for循环遍历并保存到本地

  #核心是urllib.urlretrieve()方法,直接将远程数据下载到本地，图片通过x依次递增命名

  x = 0



  for imgurl in imglist:

  urllib.urlretrieve(imgurl,'D:\E\%s.jpg' % x)

      x+=1





html = getHtml("http://tieba.baidu.com/p/xxxx")

print getImg(html)