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)