目录
一:爬虫基础
二:安装html解析的python工具
三:爬取网页图片
一:爬虫基础
爬虫基本过程:
1.请求标头 headers
2.创建一个会话 requests.Session
3.确定请求的路径
4.根据路径获取网页资源(HTML文件)
5.解析html文件BeautifulSoup div a 标签 获取对应的图片
6.建立网络连接进行下载 创建出下载的图片
了解基本HTML结构
保存带有图片的网页
查找带有data-imgurl属性的标签获取url
<html>
<head></head>
<body></body>
</html>
头:引用资源
体:包含一切标签
可以 F12 或者 ctrl+shift+i 打开控制台,查看网页代码,获取自己想要的信息
二:安装html解析的python工具
具体可以参考下面的这篇文章:
https://blog.csdn.net/m0_56051805/article/details/128407402
三:爬取网页图片
以爬取百度网页图片为例,大致实现如下
根据地址查找对应图片的信息:
# 根据地址去查找 对应的图片的信息
def Find(url, A):
global List # 保存信息的列表
print('正在检测图片总数,请稍等.....')
t = 0
i = 1
s = 0
while t < 1000:
# 时间戳 不简单刷新访问网址
Url = url + str(t)
try:
# get获取数据
Result = A.get(Url, timeout=7, allow_redirects=False)
except BaseException:
t = t + 60
continue
else:
# 拿到网站的数据
result = Result.text
# 找到图片url
pic_url = re.findall('"objURL":"(.*?)",', result, re.S)
# 图片总数
s += len(pic_url)
if len(pic_url) == 0:
break
else:
List.append(pic_url)
t = t + 60
return s
记录下相关的数据信息:
# 记录相关数据
def recommend(url):
Re = []
try:
html = requests.get(url, allow_redirects=False)
except error.HTTPError as e:
return
else:
html.encoding = 'utf-8'
# html文件解析
bsObj = BeautifulSoup(html.text, 'html.parser')
div = bsObj.find('div', id='topRS')
if div is not None:
listA = div.findAll('a')
for i in listA:
if i is not None:
Re.append(i.get_text())
return Re
对相应网页的图片进行下载:
# 下载图片
def dowmloadPicture(html, keyword):
global num
# 找到图片url
pic_url = re.findall('"objURL":"(.*?)",', html, re.S)
print('找到关键词:' + keyword + '的图片,开始下载图片....')
for each in pic_url:
print('正在下载第' + str(num + 1) + '张图片,图片地址:' + str(each))
try:
if each is not None:
pic = requests.get(each, timeout=7)
else:
continue
except BaseException:
print('错误,当前图片无法下载')
continue
else:
string = file + r'\\' + str(num) + '.jpg'
fp = open(string, 'wb')
fp.write(pic.content)
fp.close()
num += 1
if num >= numPicture:
return
伪装成浏览器向网页提取服务:
if __name__ == '__main__': # 主函数入口
# 模拟浏览器 请求数据 伪装成浏览器向网页提取服务
headers = {
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0',
'Upgrade-Insecure-Requests': '1'
}
# 创建一个请求的会话
A = requests.Session()
# 设置头部信息
A.headers = headers
word = input("输入要搜索的关键词:")
# 拼接路径
url = 'https://image.baidu.com/search/flip?ct=201326592&cl=2&st=-1&lm=-1&nc=1&ie=utf-8&tn=baiduimage&ipn=r&rps=1&pv=&fm=rs1&word=' + word
# 根据路径去查找
total = Find(url, A)
# 记录相关推荐图片
Recommend = recommend(url)
print('经过检测%s类图片共有%d张' % (word, total))
numPicture = int(input('输入要下载的数量'))
file = input('请建立一个存储图片的文件夹,输入文件夹名称即可: ')
y = os.path.exists(file)
if y == 1:
print('该文件已存在,请重新输入')
file = input('请建立一个存储图片的文件夹,)输入文件夹名称即可: ')
os.mkdir(file)
else:
os.mkdir(file)
t = 0
tmp = url
while t < numPicture:
try:
url = tmp + str(t)
result = requests.get(url, timeout=10)
print(url)
except error.HTTPError as e:
print('网络错误,请调整网络后重试')
t = t + 60
else:
dowmloadPicture(result.text, word)
t = t + 60
测试过程如下
1 输入要搜索的图片,可以检索网页图片的数量
2 输入自己想要下载的图片数量,同时创建一个存储下载图片的文件夹
3 等待下载完即可
4 到新创建的文件夹下可以查看到,网页上获取到的图片已经下载
文章学习自: 学术菜鸟小晨 博主的文章
百度,搜狗,360网络爬图
完整源码分享如下
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os
num = 0
numPicture = 0
file = ''
List = []
# 根据地址去查找 对应的图片的信息
def Find(url, A):
global List # 保存信息的列表
print('正在检测图片总数,请稍等.....')
t = 0
i = 1
s = 0
while t < 1000:
# 时间戳 不简单刷新访问网址
Url = url + str(t)
try:
# get获取数据
Result = A.get(Url, timeout=7, allow_redirects=False)
except BaseException:
t = t + 60
continue
else:
# 拿到网站的数据
result = Result.text
# 找到图片url
pic_url = re.findall('"objURL":"(.*?)",', result, re.S)
# 图片总数
s += len(pic_url)
if len(pic_url) == 0:
break
else:
List.append(pic_url)
t = t + 60
return s
# 记录相关数据
def recommend(url):
Re = []
try:
html = requests.get(url, allow_redirects=False)
except error.HTTPError as e:
return
else:
html.encoding = 'utf-8'
# html文件解析
bsObj = BeautifulSoup(html.text, 'html.parser')
div = bsObj.find('div', id='topRS')
if div is not None:
listA = div.findAll('a')
for i in listA:
if i is not None:
Re.append(i.get_text())
return Re
# 下载图片
def dowmloadPicture(html, keyword):
global num
# 找到图片url
pic_url = re.findall('"objURL":"(.*?)",', html, re.S)
print('找到关键词:' + keyword + '的图片,开始下载图片....')
for each in pic_url:
print('正在下载第' + str(num + 1) + '张图片,图片地址:' + str(each))
try:
if each is not None:
pic = requests.get(each, timeout=7)
else:
continue
except BaseException:
print('错误,当前图片无法下载')
continue
else:
string = file + r'\\' + str(num) + '.jpg'
fp = open(string, 'wb')
fp.write(pic.content)
fp.close()
num += 1
if num >= numPicture:
return
if __name__ == '__main__': # 主函数入口
# 模拟浏览器 请求数据 伪装成浏览器向网页提取服务
headers = {
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0',
'Upgrade-Insecure-Requests': '1'
}
# 创建一个请求的会话
A = requests.Session()
# 设置头部信息
A.headers = headers
word = input("输入要搜索的关键词:")
# 拼接路径
url = 'https://image.baidu.com/search/flip?ct=201326592&cl=2&st=-1&lm=-1&nc=1&ie=utf-8&tn=baiduimage&ipn=r&rps=1&pv=&fm=rs1&word=' + word
# 根据路径去查找
total = Find(url, A)
# 记录相关推荐图片
Recommend = recommend(url)
print('经过检测%s类图片共有%d张' % (word, total))
numPicture = int(input('输入要下载的数量'))
file = input('请建立一个存储图片的文件夹,输入文件夹名称即可: ')
y = os.path.exists(file)
if y == 1:
print('该文件已存在,请重新输入')
file = input('请建立一个存储图片的文件夹,)输入文件夹名称即可: ')
os.mkdir(file)
else:
os.mkdir(file)
t = 0
tmp = url
while t < numPicture:
try:
url = tmp + str(t)
result = requests.get(url, timeout=10)
print(url)
except error.HTTPError as e:
print('网络错误,请调整网络后重试')
t = t + 60
else:
dowmloadPicture(result.text, word)
t = t + 60