Python 文本采集替换图片的问题

文章采集下来了带图片的内容，想把图片地址换成本地，图片也下了，但是怎么批量把远程图片地址换成本地的呢

把<img alt="" src="http://img.baidu.com/2020/05/20200503105830041.jpg"/>换成
<img alt="" src="20200503105830041.jpg"/>

新人跪求大佬带带

img

图片

src

alt

13 条回复 • 2020-05-05 11:43:18 +08:00

ClericPy

2020-05-03 17:06:11 +08:00

本地开个 static/images 文件夹下载图片, 然后路径用相对路径, 记得别用 windows 的反斜杠, 用 as_posix 的

大致用的就是:

requests 的 Response.content 写入 file
pathlib 的 as_posix

没什么其他信息, 就这样吧

PS: 图片名字如果不重要的话, 最简单的就是图片地址转 md5 名字, 避免文件名重复, 也不用处理不同路径同名文件

jdhao

2020-05-03 17:12:28 +08:00 via Android

直接正则表达式都能替换了

qianyealone

2020-05-03 17:15:52 +08:00

@jdhao 把这个 http://img.baidu.com/2020/05/替换为空就好，正则怎么写大佬，我太菜了只会提取这个整体 url

ClericPy

2020-05-03 17:17:41 +08:00

pathlib.Path('http://img.baidu.com/2020/05/20200503105830041.jpg').name

jdhao

2020-05-03 17:18:12 +08:00 via Android

@qianyealone 查一下 python 的正则表达式，只能帮到这。。

ClericPy

2020-05-03 17:22:37 +08:00

我热晕了, 两次答非所问...

html = '<img alt="" src="http://img.baidu.com/2020/05/20200503105830041.jpg"/>'
print(re.sub('(?<=src=") http[^"]*/', '', html))
# <img alt="" src="20200503105830041.jpg"/>

qianyealone

2020-05-03 17:22:51 +08:00

@ClericPy 谢谢了，大佬

annielong

2020-05-03 17:56:20 +08:00

习惯上还是 url 的目录来存文件，只用把域名替换就行了，实际上好多图片都是用的相对路径，域名都不需要替换，只用按目录保存图片就可以直接用

llsquaer

2020-05-04 10:19:33 +08:00

@ClericPy 直接复制你的代码测试的..没变化啊我用的 python3.6

ClericPy

2020-05-04 10:33:56 +08:00

@llsquaer #9
我代码贴上来以后不知道 http 前面为什么多了空格, 反正在本站贴代码基本就是脑补
https://paste.ubuntu.com/p/M4Q3QwnZRs/

lau52y

2020-05-04 14:15:50 +08:00 via iPhone

我一般用 bs4 获取所有 img 然后就给 replace 替换了

llsquaer

2020-05-05 11:36:10 +08:00

@ClericPy 谢谢...我还在研究正则.一直用不好,之前做这种图片本地化是自己手写的一个函数替换的.你这样更简单了.

ClericPy

2020-05-05 11:43:18 +08:00

@llsquaer #12 用正则替换虽然性能高, 但是准确度容错率一般, 比如这里的双引号遇到单引号又得适配, 遇到不是 http 开头的 src 又得适配, 遇到莫名其妙有个换行的, 遇到 src 实际是 data-src 的, 最稳妥的还是 bs4 之类的 DOM 解析然后替换