制作爬虫的步骤
制作一个爬虫一般分以下几个步骤:
分析需求分析网页源代码,配合开发者工具编写正则表达式或者XPath表达式正式编写 python 爬虫代码 效果预览
运行效果如下:
存放图片的文件夹:
需求分析
我们的爬虫至少要实现两个功能:一是搜索图片,二是自动下载。
搜索图片:最容易想到的是爬百度图片的结果,我们就上百度图片看看:
随便搜索几个关键字,可以看到已经搜索出来很多张图片:
分析网页
我们点击右键,查看源代码:
打开源代码之后,发现一堆源代码比较难找出我们想要的资源。
这个时候,就要用开发者工具!我们回到上一页面,调出开发者工具,我们需要用的是左上角那个东西:(鼠标跟随)。
然后选择你想看源代码的地方,就可以发现,下面的代码区自动定位到了相应的位置。如下图:
我们复制这个地址,然后到刚才的一堆源代码里搜索一下,发现了它的位置,但是这里我们又疑惑了,这个图片有这么多地址,到底用哪个呢?我们可以看到有thumbURL,middleURL,hoverURL,objURL
通过分析可以知道,前面两个是缩小的版本,hoverURL 是鼠标移动过后显示的版本,objURL 应该是我们需要的,可以分别打开这几个网址看看,发现 objURL 的那个最大最清晰。
找到了图片地址,接下来我们分析源代码。看看是不是所有的 objURL 都是图片。
发现都是以.jpg格式结尾的图片。
编写正则表达式
1
|
pic_url = re.findall( '"objURL":"(.*?)",' ,html,re.S)
|
编写爬虫代码
这里我们用了2个包,一个是正则,一个是 requests 包
1
2
3
|
#-*- coding:utf-8 -*-
import re
import requests
|
复制百度图片搜索的链接,传入 requests ,然后把正则表达式写好
1
|
url = 'https://image.baidu.com/search/index?tn=baiduimage&ie=utf-8&word=%E6%A0%97%E5%B1%B1%E6%9C%AA%E6%9D%A5%E5%A4%B4%E5%83%8F&ct=201326592&ic=0&lm=-1&width=&height=&v=index' html = requests.get(url).text pic_url = re.findall('"objURL":"(.*?)",',html,re.S)
|
因为有很多张图片,所以要循环,我们打印出结果来看看,然后用 requests 获取网址,由于有些图片可能存在网址打不开的情况,所以加了10秒超时控制。
1
2
3
4
5
6
|
pic_url = re.findall( '"objURL":"(.*?)",' ,html,re.S) i = 1 for each in pic_url:
print each
try :
pic = requests.get(each, timeout = 10 )
except requests.exceptions.ConnectionError: print ( '【错误】当前图片无法下载' )
continue
|
接着就是把图片保存下来,我们事先建立好一个 images 目录,把图片都放进去,命名的时候,以数字命名。
1
2
3
4
5
|
dir = '../images/' + keyword + '_' + str (i) + '.jpg'
fp = open ( dir , 'wb' )
fp.write(pic.content)
fp.close()
i + = 1
|
完整的代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
# -*- coding:utf-8 -*-
import re
import requests
def dowmloadPic(html, keyword):
pic_url = re.findall( '"objURL":"(.*?)",' , html, re.S)
i = 1
print ( '找到关键词:' + keyword + '的图片,现在开始下载图片...' )
for each in pic_url:
print ( '正在下载第' + str (i) + '张图片,图片地址:' + str (each))
try :
pic = requests.get(each, timeout = 10 )
except requests.exceptions.ConnectionError:
print ( '【错误】当前图片无法下载' )
continue
dir = '../images/' + keyword + '_' + str (i) + '.jpg'
fp = open ( dir , 'wb' )
fp.write(pic.content)
fp.close()
i + = 1
if __name__ = = '__main__' :
word = input ( "Input key word: " )
url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&ct=201326592&v=flip'
result = requests.get(url)
dowmloadPic(result.text, word)
|
我们看到有的图片没显示出来,打开网址看,发现确实没了。
因为百度有些图片它缓存到百度的服务器上,所以我们在百度上还能看见它,但它的实际链接已经失效了。
总结
enjoy 我们的第一个图片下载爬虫吧!当然它不仅能下载百度的图片,依葫芦画瓢,你现在应该能做很多事情了,比如爬取头像,爬淘宝展示图等等。
完整代码已经放到Githut上 https://github.com/nnngu/BaiduImageDownload
原文链接:https://www.cnblogs.com/nnngu/p/8410903.html