文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

python识别批量网站中的图片

2023-01-30 23:02

关注

需要实现的功能:给出一个网站列表,抓出这些网页上的图片。

实现方式: 下载网页源码,在源码中识别包含图片url的标签,如<img>,<div>,<li>。由于对html了解较少,哪些标签可能含有图片是从查看多个网站的源码中总结出来的。

调用的库:Selenium(加载Chrome驱动)--获取执行JS后的源码。

  threading--实现多进程

代码:

from urllib.parse import urljoin,urlparse
import os
import threading
from time import ctime
from selenium import webdriver
import re

class myThread(threading.Thread):
    def __init__(self,func,args,name=''):
        threading.Thread.__init__(self)
        self.name=name
        self.func=func
        self.args=args
        self.is_end=False


    def getResult(self):
        return self.res

    def run(self):
        self.res=self.func(*self.args)

def filter_in_tag(page_file,tag):
    url_in_tag = []
    url_in_tag.append('------------------%s--------------------' % (tag))
    with open(page_file, 'r', encoding='utf-8') as jj:
        for line in jj:
            ##先找出li所有标签
            reg = '<%s [^>]*>' % (tag)
            all_tag_str = re.findall(reg, line)

            for tag_str in all_tag_str:
                if re.search('https?://[^\'\"\)]+', tag_str):
                    url_in_tag.extend(re.findall('http?://[^\'\"]+', tag_str))
    return url_in_tag
def process(m_url):
    imgs,big_files,hrefs=[],[],[]
    ##先找出图片
    ##添加参数,使chrome不出现界面
    chrome_options = webdriver.chrome.options.Options()
    chrome_options.add_argument('--headless')
    chrome_options.add_argument('--disable-gpu')
    driver = webdriver.Chrome(r'C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe',
                              chrome_options=chrome_options)  ##driver = webdriver.PhantomJS(executable_path='/bin/phantomjs/bin/phantomjs')#如果不方便配置环境变量。就使用phantomjs的绝对路径也可以

    driver.set_page_load_timeout(30)
    try:
        driver.get(m_url)
    except Exception as e: ##(HTTPError,URLError,UnicodeDecodeError,WindowsError) as e:
        err_info='url open error: %s\n, reason: %s\n'%(m_url,e)
        print(err_info)
        err_log.write(err_info)
        #print('url open error: %s\n, reason: %s'%(m_url,e))
        return []
    imgs = []
    imgs.append('------------------<img src=>-----------------')
    for x in driver.find_elements_by_tag_name("img"):
        imgs.append(x.get_attribute('src'))

    # 找出所有div li标签中的链接
    with open('tmp_page_source.html','w',encoding='utf-8') as tmp_f:
        tmp_f.write(driver.page_source)
    for tag in ('li', 'div'):
        imgs.extend(filter_in_tag('tmp_page_source.html',tag))

    ##列表去重复
    imgs_uniq = []
    for url in imgs:
        if (url not in imgs_uniq) and (url): ##url不在新列表中且url不为空
            imgs_uniq.append(url)

    ##查找页面中的a链接中的大文件和其它网页
    links=[a_link.get_attribute('href') for a_link in driver.find_elements_by_tag_name('a') if a_link.get_attribute('href')]
    driver.quit()

    for link in links:
        host = urlparse(m_url).netloc.split('@')[-1].split(':')[0]
        dom = '.'.join(host.split('.')[-2:])
        if link.startswith('mailto:'):
            continue
        if   not link.startswith('http'):
            link=urljoin(m_url,link)
        f_name = urlparse(link).path.split('/')[-1]
        f_type = os.path.splitext(f_name)[1]
        if f_type not in ('.htm','.html','shtml',''):
            big_files.append(link)
            continue
        if link in seen_links:
            pass#print(link,'--aleady processed,pass.')
        else:
            if dom not in link:
                pass#print(link,'--not in domain,pass.')
            else:
                hrefs.append(link)
                seen_links.append(link)
    return imgs_uniq,big_files,hrefs




##对process处理结果进行分析,得出如下统计数据:
##图片:100,HTTP协议占比:80%,HTTP协议下各种后缀的数量:jpg-50,gif-30
##大文件:10,HTTP协议占比:100%,HTTP协议下各种后缀的数量:pdf-10

def ret_analyse(url_list):
    to_len=len(url_list)##含有3行标识信息,非url
    http_list= [url for url in url_list if url.startswith("http://")]
    http_perc='%.1f%%'%(len(http_list)/to_len*100) if to_len>0 else '0'
    exts_dict={}
    for url in url_list:
        if url.startswith('-----------'): ##排除‘-------img:src-----’等
            continue
        f_name = urlparse(url).path.split('/')[-1]
        f_type = os.path.splitext(f_name)[1]
        if f_type not in exts_dict:
            exts_dict[f_type]=1
        else:
            exts_dict[f_type]+=1
    return to_len,http_perc,exts_dict

##对一组url调用process函数处理,并输出结果到文本
def group_proc(url_f , urls,is_analyse) :
    links=[] ##存储该页面除大文件外的a链接
    ##定义写日志的函数
    def wLog(*lines):
        for line in lines:
            try:
                url_f.write(line + '\n')
            except Exception as e:
                print('write eror,line:%s, err: %s'%(line,e))
    for url in urls:
        proc_ret=process(url)
        if  proc_ret:
            img_list,bigfile_list,link_list=proc_ret
            wLog('*'*40,'from: ',url) # 分隔行+起始行
            if is_analyse:
                img_output='图片:%d,HTTP协议占比:%s,HTTP协议下各种后缀的数量:%s'%(ret_analyse(img_list)[0]-3,ret_analyse(img_list)[1],ret_analyse(img_list)[2]) ##图片含有3行标识信息
                big_output = '大文件:%d,HTTP协议占比:%s,HTTP协议下各种后缀的数量:%s' % (ret_analyse(bigfile_list))
                wLog(img_output,big_output)
            img_list = '\n'.join(img_list)
            bigfile_list = '\n'.join(bigfile_list)
            wLog('imgs:',img_list,'bigfiles: ',bigfile_list,'*'*40)

            imgs_f.write(img_list + '\n')
            if bigfile_list:
                bigfiles_f.write(bigfile_list + '\n')
            if link_list:
                links.extend(link_list)
    return links


def main(depth):
    u_file=open('urls.txt','r')
    links=[line.strip('\n') for line in u_file]
    links=['http://'+link for link in links if not link.startswith('http')]
    u_file.close()

    for i in range(depth):
        is_analyse=True if i==0 else False ##对第一层数据需要分析统计
        url_f = open('layer' + str(i)+'.txt','w')
        next_links=[]

        if not links:
            break
        else:
            print('第 %d 层开始爬取...'%(i))
        ##将链接分配给5组
        avg=len(links)//5
        links_grp=[]
        if avg==0:
            grp_len=len(links)
            for i in range(grp_len):
                links_grp.append([links[i]])
        else:
            grp_len = 5
            links_grp=links[:avg],links[avg:avg*2],links[avg*2:avg*3],links[avg*3:avg*4],links[avg*4:]
        #for i in range(grp_len):
            #url_f.write('link_group %d:%s'%(i,links_grp[i]))
       ##新建5个线程,分别处理5组url
        threads=[]
        for i in range(grp_len):
            t=myThread(group_proc,(url_f,links_grp[i],is_analyse),group_proc.__name__)
            threads.append(t)
        ##线程同时启动
        for i in range(grp_len):
            print('线程%d开始运行,时间:%s'%(i,ctime()))
            threads[i].setDaemon(True)
            threads[i].start()

        ##等待线程结束,结束后将各组url中获取的外链加入到下一次处理的列表中
        for i in range(grp_len):
            threads[i].join()
            print('线程%d运行结束,时间:%s' % (i, ctime()))
            ret_links=threads[i].getResult()
            next_links.extend(ret_links)
        links=next_links
        url_f.close()


if __name__=='__main__':
    seen_links = []
    imgs_f = open('图片.txt', 'w',encoding='utf-8')
    bigfiles_f = open('大文件.txt', 'w',encoding='utf-8')
    err_log = open('err_log.txt', 'w',encoding='utf-8')
    depth=int(input('请输入爬取深度:'))
    main(depth)
    err_log.close()
    imgs_f.close()
    bigfiles_f.close()
    input('按任意键退出...')
View Code

 

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯