您好,登錄后才能下訂單哦!
目標(biāo)
嗯,我們知道搜索或瀏覽網(wǎng)站時會有很多精美、漂亮的圖片。
我們下載的時候,得鼠標(biāo)一個個下載,而且還翻頁。
那么,有沒有一種方法,可以使用非人工方式自動識別并下載圖片。美美噠。
那么請使用python語言,構(gòu)建一個抓取和下載網(wǎng)頁圖片的爬蟲。
當(dāng)然為了提高效率,我們同時采用多線程并行方式。
思路分析
Python有很多的第三方庫,可以幫助我們實現(xiàn)各種各樣的功能。問題在于,我們弄清楚我們需要什么:
1)http請求庫,根據(jù)網(wǎng)站地址可以獲取網(wǎng)頁源代碼。甚至可以下載圖片寫入磁盤。
2)解析網(wǎng)頁源代碼,識別圖片連接地址。比如正則表達(dá)式,或者簡易的第三方庫。
3)支持構(gòu)建多線程或線程池。
4)如果可能,需要偽造成瀏覽器,或繞過網(wǎng)站校驗。(嗯,網(wǎng)站有可能會防著爬蟲 ;-))
5)如果可能,也需要自動創(chuàng)建目錄,隨機數(shù)、日期時間等相關(guān)內(nèi)容。
如此,我們開始搞事情。O(∩_∩)O~
環(huán)境配置
操作系統(tǒng):windows 或 linux 皆可
Python版本:Python3.6 ( not Python 2.x 哦)
第三方庫
urllib.request
threading 或者 concurrent.futures 多線程或線程池(python3.2+)
re 正則表達(dá)式內(nèi)置模塊
os 操作系統(tǒng)內(nèi)置模塊
編碼過程
我們分解一下過程。完整源代碼在博文最終提供。
偽裝為瀏覽器
import urllib.request # ------ 偽裝為瀏覽器 --- def makeOpener(head={ 'Connection': 'Keep-Alive', 'Accept': 'text/html, application/xhtml+xml, */*', '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 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0' }): cj = http.cookiejar.CookieJar() opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj)) header = [] for key, value in head.items(): elem = (key, value) header.append(elem) opener.addheaders = header return opener
獲取網(wǎng)頁源代碼
# ------ 獲取網(wǎng)頁源代碼 --- # url 網(wǎng)頁鏈接地址 def getHtml(url): print('url='+url) oper = makeOpener() if oper is not None: page = oper.open(url) #print ('-----oper----') else: req=urllib.request.Request(url) # 爬蟲偽裝瀏覽器 req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0') page = urllib.request.urlopen(req) html = page.read() if collectHtmlEnabled: #是否采集html with open('html.txt', 'wb') as f: f.write(html) # 采集到本地文件,來分析 # ------ 修改html對象內(nèi)的字符編碼為UTF-8 ------ if chardetSupport: cdt = chardet.detect(html) charset = cdt['encoding'] #用chardet進(jìn)行內(nèi)容分析 else: charset = 'utf8' try: result = html.decode(charset) except: result = html.decode('gbk') return result
下載單個圖片
# ------ 根據(jù)圖片url下載圖片 ------ # folderPath 定義圖片存放的目錄 imgUrl 一個圖片的鏈接地址 index 索引,表示第幾個圖片 def downloadImg(folderPath, imgUrl, index): # ------ 異常處理 ------ try: imgContent = (urllib.request.urlopen(imgUrl)).read() except urllib.error.URLError as e: if printLogEnabled : print ('【錯誤】當(dāng)前圖片無法下載') return False except urllib.error.HTTPError as e: if printLogEnabled : print ('【錯誤】當(dāng)前圖片下載異常') return False else: imgeNameFromUrl = os.path.basename(imgUrl) if printLogEnabled : print ('正在下載第'+str(index+1)+'張圖片,圖片地址:'+str(imgUrl)) # ------ IO處理 ------ isExists=os.path.exists(folderPath) if not isExists: # 目錄不存在,則創(chuàng)建 os.makedirs( folderPath ) #print ('創(chuàng)建目錄') # 圖片名命名規(guī)則,隨機字符串 imgName = imgeNameFromUrl if len(imgeNameFromUrl) < 8: imgName = random_str(4) + random_str(1,'123456789') + random_str(2,'0123456789')+"_" + imgeNameFromUrl filename= folderPath + "\\"+str(imgName)+".jpg" try: with open(filename, 'wb') as f: f.write(imgContent) # 寫入本地磁盤 # if printLogEnabled : print ('下載完成第'+str(index+1)+'張圖片') except : return False return True
下載一批圖片(多線程/線程池模式皆支持)
# ------ 批量下載圖片 ------ # folderPath 定義圖片存放的目錄 imgList 多個圖片的鏈接地址 def downloadImgList(folderPath, imgList): index = 0 # print ('poolSupport='+str(poolSupport)) if not poolSupport: #print ('多線程模式') # ------ 多線程編程 ------ threads = [] for imgUrl in imgList: # if printLogEnabled : print ('準(zhǔn)備下載第'+str(index+1)+'張圖片') threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,))) index += 1 for t in threads: t.setDaemon(True) t.start() t.join() #父線程,等待所有線程結(jié)束 if len(imgList) >0 : print ('下載結(jié)束,存放圖片目錄:' + str(folderPath)) else: #print ('線程池模式') # ------ 線程池編程 ------ futures = [] # 創(chuàng)建一個最大可容納N個task的線程池 thePoolSize 為 全局變量 with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool: for imgUrl in imgList: # if printLogEnabled : print ('準(zhǔn)備下載第'+str(index+1)+'張圖片') futures.append(pool.submit(downloadImg, folderPath, imgUrl, index)) index += 1 result = concurrent.futures.wait(futures, timeout=None, return_when='ALL_COMPLETED') suc = 0 for f in result.done: if f.result(): suc +=1 print('下載結(jié)束,總數(shù):'+str(len(imgList))+',成功數(shù):'+str(suc)+',存放圖片目錄:' + str(folderPath))
調(diào)用例子
如百度貼吧為例
# ------ 下載百度帖子內(nèi)所有圖片 ------ # folderPath 定義圖片存放的目錄 url 百度貼吧鏈接 def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'): html = getHtml(url) # ------ 利用正則表達(dá)式匹配網(wǎng)頁內(nèi)容找到圖片地址 ------ #reg = r'src="(.*?\.jpg)"' reg = r'src="(.*?/sign=.*?\.jpg)"' imgre = re.compile(reg); imgList = re.findall(imgre, html) print ('找到圖片個數(shù):' + str(len(imgList))) # 下載圖片 if len(imgList) >0 : downloadImgList(folderPath, imgList) # 程序入口 if __name__ == '__main__': now = datetime.datetime.now().strftime('%Y-%m-%d %H-%M-%S') # 下載百度帖子內(nèi)所有圖片 downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')
效果
完整源碼請見
我的github:https://github.com/SvenAugustus/PicDownloader-example
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。