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&nbs

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)