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.+" location_re = re.compile(reg) reg = r"(ImageData.+" direction_re = re.compile(reg) reg = r"http.+" 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="(.+" 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)