Python爬蟲(chóng)實(shí)現(xiàn)百度圖片自動(dòng)下載

更新時(shí)間：2018年02月04日 08:19:08 作者：返回主頁(yè) nnngu

這篇文章主要介紹了Python爬蟲(chóng)實(shí)現(xiàn)百度圖片自動(dòng)下載的方法以及相關(guān)代碼分析，對(duì)此有興趣的朋友參考下。

制作爬蟲(chóng)的步驟

制作一個(gè)爬蟲(chóng)一般分以下幾個(gè)步驟：

分析需求分析網(wǎng)頁(yè)源代碼，配合開(kāi)發(fā)者工具編寫(xiě)正則表達(dá)式或者XPath表達(dá)式正式編寫(xiě) python 爬蟲(chóng)代碼效果預(yù)覽

運(yùn)行效果如下：

存放圖片的文件夾：

需求分析

我們的爬蟲(chóng)至少要實(shí)現(xiàn)兩個(gè)功能：一是搜索圖片，二是自動(dòng)下載。

搜索圖片：最容易想到的是爬百度圖片的結(jié)果，我們就上百度圖片看看：

隨便搜索幾個(gè)關(guān)鍵字，可以看到已經(jīng)搜索出來(lái)很多張圖片：

分析網(wǎng)頁(yè)

我們點(diǎn)擊右鍵，查看源代碼：

打開(kāi)源代碼之后，發(fā)現(xiàn)一堆源代碼比較難找出我們想要的資源。

這個(gè)時(shí)候，就要用開(kāi)發(fā)者工具！我們回到上一頁(yè)面，調(diào)出開(kāi)發(fā)者工具，我們需要用的是左上角那個(gè)東西：(鼠標(biāo)跟隨)。

然后選擇你想看源代碼的地方，就可以發(fā)現(xiàn)，下面的代碼區(qū)自動(dòng)定位到了相應(yīng)的位置。如下圖：

我們復(fù)制這個(gè)地址，然后到剛才的一堆源代碼里搜索一下，發(fā)現(xiàn)了它的位置，但是這里我們又疑惑了，這個(gè)圖片有這么多地址，到底用哪個(gè)呢？我們可以看到有thumbURL，middleURL，hoverURL，objURL

通過(guò)分析可以知道，前面兩個(gè)是縮小的版本，hoverURL 是鼠標(biāo)移動(dòng)過(guò)后顯示的版本，objURL 應(yīng)該是我們需要的，可以分別打開(kāi)這幾個(gè)網(wǎng)址看看，發(fā)現(xiàn) objURL 的那個(gè)最大最清晰。

找到了圖片地址，接下來(lái)我們分析源代碼。看看是不是所有的 objURL 都是圖片。

發(fā)現(xiàn)都是以.jpg格式結(jié)尾的圖片。

編寫(xiě)正則表達(dá)式

pic_url = re.findall('"objURL":"(.*?)",',html,re.S)

編寫(xiě)爬蟲(chóng)代碼

這里我們用了2個(gè)包，一個(gè)是正則，一個(gè)是 requests 包

#-*- coding:utf-8 -*-
import re
import requests

復(fù)制百度圖片搜索的鏈接，傳入 requests ，然后把正則表達(dá)式寫(xiě)好

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?yàn)橛泻芏鄰垐D片，所以要循環(huán)，我們打印出結(jié)果來(lái)看看，然后用 requests 獲取網(wǎng)址，由于有些圖片可能存在網(wǎng)址打不開(kāi)的情況，所以加了10秒超時(shí)控制。

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('【錯(cuò)誤】當(dāng)前圖片無(wú)法下載')     
continue

接著就是把圖片保存下來(lái)，我們事先建立好一個(gè) images 目錄，把圖片都放進(jìn)去，命名的時(shí)候，以數(shù)字命名。

dir = '../images/' + keyword + '_' + str(i) + '.jpg'
    fp = open(dir, 'wb')
    fp.write(pic.content)
    fp.close()
    i += 1

完整的代碼

# -*- coding:utf-8 -*-
import re
import requests


def dowmloadPic(html, keyword):
  pic_url = re.findall('"objURL":"(.*?)",', html, re.S)
  i = 1
  print('找到關(guān)鍵詞:' + keyword + '的圖片，現(xiàn)在開(kāi)始下載圖片...')
  for each in pic_url:
    print('正在下載第' + str(i) + '張圖片，圖片地址:' + str(each))
    try:
      pic = requests.get(each, timeout=10)
    except requests.exceptions.ConnectionError:
      print('【錯(cuò)誤】當(dāng)前圖片無(wú)法下載')
      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)