Python爬虫是网络数据抓取的一种常用工具，它允许开发者编写程序自动地浏览网页并提取所需信息。在本文中，我们将深入探讨如何使用Python的urllib和re模块来实现一个简单的图片爬虫。
我们要获取整个网页的数据。Python的urllib模块提供了方便的接口来与Web服务器交互。在示例代码中，`urllib.urlopen(url)`方法用于打开指定的URL，返回一个文件对象。`page.read()`方法则读取这个文件对象的内容，即HTML页面的源代码。`getHtml()`函数将这些步骤封装在一起，便于后续处理。
接下来，我们需要从HTML页面中筛选出我们想要的数据，通常是图片链接。Python的re模块支持正则表达式操作，这在处理HTML页面时非常有用。正则表达式`r'src="(.+?\.jpg)" pic_ext'`匹配以`src=`开头，后跟任意数量的字符，直到遇到`.jpg`为止的字符串。`re.compile()`函数将正则表达式编译为正则表达式对象，`re.findall()`则用来找出所有符合该模式的子串。`getImg()`函数执行这些操作，返回一个包含所有图片URL的列表。
我们将找到的图片链接保存到本地。`urllib.urlretrieve(url, filename)`方法用于从URL下载数据并保存到本地文件。在示例中，我们通过for循环遍历图片URL列表，使用变量x作为文件名的一部分，确保每个图片都有一个唯一的文件名。`%s.jpg`是格式化字符串，其中`s`会被x的值替换，确保每个文件名都是唯一的。下载的图片会被保存到程序运行的当前目录下。
通过以上步骤，我们就可以实现一个基本的Python图片爬虫，它可以自动抓取网页中的图片并保存到本地。这种爬虫虽然简单，但它展示了Python在网络数据获取方面的能力，同时也揭示了如何结合使用urllib和re模块处理HTML页面。对于初学者来说，这是一个很好的起点，可以在此基础上扩展出更复杂的爬虫项目，例如处理JavaScript动态加载的内容，或者实现多线程、分布式爬虫以提高抓取效率。在实际应用中，还应注意遵守网站的robots.txt协议，尊重网站的版权和用户隐私，合法合规地进行数据抓取。
