python - 从网站获取图像

Question

我尝试改进 recipe对于 calibre并将默认封面图像替换为当前报纸的封面图像。

要走的路与 get_cover_url ( link ) 有关。

有两个问题:

1. 封面图片的网址每天都会变化。
2. 我对 Python 几乎一无所知。

我希望有一个像这样的解决方案(伪代码):

OPEN URL "http://epaper.derstandarddigital.at/";
coverElement = (SEARCH HTML-ELEMENT "<img>" WITH ID "imgPage2" AND CLASS "page");
coverUrl = (GET HTML-ATTRIBUTE "src" FROM coverElement);
RETURN coverUrl;

有没有办法在 python*) 中实现这一点(仅使用 python 标准库)？

*) Calibre-Recipes 似乎是 python 代码

[编辑]这是我的 friend 提供的解决方案:

#!/usr/bin/env  python

import urllib
from time import strftime


def get_cover_url(self):
    highResolution = True

    date    = strftime("%Y/%Y%m%d")
    # it is also possible for the past
    #date    = '2012/20120503'

    urlP1   = 'http://epaper.derstandarddigital.at/'
    urlP2   = 'data_ep/STAN/' + date
    urlP3   = '/V.B1/'
    urlP4   = 'paper.htm'
    urlHTML = urlP1 + urlP2 + urlP3 + urlP4

    htmlF  = urllib.urlopen(urlHTML)
    htmlC  = htmlF.read()


    # URL EXAMPLE: data_ep/STAN/2012/20120504/V.B1/pages/A3B6798F-2751-4D8D-A103-C5EF22F7ACBE.htm
    # consists of part2 + part3 + 'pages/' + code
    # 'pages/' has length 6, code has lenght 36

    index   = htmlC.find(urlP2) + len(urlP2 + urlP3) + 6 
    code    = htmlC[index:index + 36]


    # URL EXAMPLE HIGH RESOLUTION: http://epaper.derstandarddigital.at/data_ep/STAN/2012/20120504/pagejpg/A3B6798F-2751-4D8D-A103-C5EF22F7ACBE_b.png
    # URL EXAMPLE LOW RESOLUTION: http://epaper.derstandarddigital.at/data_ep/STAN/2012/20120504/pagejpg/2AB52F71-11C1-4859-9114-CDCD79BEFDCB.png

    urlPic  = urlP1 + urlP2 + '/pagejpg/' + code

    if highResolution:
        urlPic  = urlPic + '_b'

    urlPic  = urlPic + '.png'

    return urlPic



if __name__ == '__main__':
    print get_cover_url(None)

Answer 1

您可以使用lxml从 HTML 文档中提取元素的库。基本框架如下所示:

import urllib
import lxml.html

fd = urllib.urlopen('http://epaper.derstandarddigital.at/')
doc = lxml.html.parse(fd)
matches = doc.xpath('//img[@id="imgPage2]')
if matches:
  print matches[0].get('src')

...但是，您提供的 URL 实际上不会生成包含任何 <img> 的文档。标签。它几乎完全是一堆 Javascript。