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图片爬虫

2023-08-31 18:56

关注
#!/usr/bin/env python# -*- coding:utf-8 -*-import argparseimport osimport reimport sysimport urllibimport jsonimport socketimport urllib.requestimport urllib.parseimport urllib.error# 设置超时import timetimeout = 5socket.setdefaulttimeout(timeout)class Crawler:    # 睡眠时长    __time_sleep = 0.1    __amount = 0    __start_amount = 0    __counter = 0    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0', 'Cookie': ''}    __per_page = 30    # 获取图片url内容等    # t 下载图片时间间隔    def __init__(self, t=0.1):        self.time_sleep = t    # 获取后缀名    @staticmethod    def get_suffix(name):        m = re.search(r'\.[^\.]*$', name)        if m.group(0) and len(m.group(0)) <= 5:            return m.group(0)        else:            return '.jpeg'    @staticmethod    def handle_baidu_cookie(original_cookie, cookies):        """        :param string original_cookie:        :param list cookies:        :return string:        """        if not cookies:            return original_cookie        result = original_cookie        for cookie in cookies:            result += cookie.split(';')[0] + ';'        result.rstrip(';')        return result    # 保存图片    def save_image(self, rsp_data, word):        if not os.path.exists("./" + word):            os.mkdir("./" + word)        # 判断名字是否重复,获取图片长度        self.__counter = len(os.listdir('./' + word)) + 1        for image_info in rsp_data['data']:            try:                if 'replaceUrl' not in image_info or len(image_info['replaceUrl']) < 1:                    continue                obj_url = image_info['replaceUrl'][0]['ObjUrl']                thumb_url = image_info['thumbURL']                url = 'https://image.baidu.com/search/down?tn=download&ipn=dwnl&word=download&ie=utf8&fr=result&url=%s&thumburl=%s' % (urllib.parse.quote(obj_url), urllib.parse.quote(thumb_url))                time.sleep(self.time_sleep)                suffix = self.get_suffix(obj_url)                # 指定UA和referrer,减少403                opener = urllib.request.build_opener()                opener.addheaders = [                    ('User-agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'),                ]                urllib.request.install_opener(opener)                # 保存图片                filepath = './%s/%s' % (word, str(self.__counter) + str(suffix))                urllib.request.urlretrieve(url, filepath)                if os.path.getsize(filepath) < 5:                    print("下载到了空文件,跳过!")                    os.unlink(filepath)                    continue            except urllib.error.HTTPError as urllib_err:                print(urllib_err)                continue            except Exception as err:                time.sleep(1)                print(err)                print("产生未知错误,放弃保存")                continue            else:                print("+1,已有" + str(self.__counter) + "张")                self.__counter += 1        return    # 开始获取    def get_images(self, word):        search = urllib.parse.quote(word)        # pn int 图片数        pn = self.__start_amount        while pn < self.__amount:            url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%s&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=&hd=&latest=©right=&word=%s&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=%s&rn=%d&gsm=1e&1594447993172=' % (search, search, str(pn), self.__per_page)            # 设置header防403            try:                time.sleep(self.time_sleep)                req = urllib.request.Request(url=url, headers=self.headers)                page = urllib.request.urlopen(req)                self.headers['Cookie'] = self.handle_baidu_cookie(self.headers['Cookie'], page.info().get_all('Set-Cookie'))                rsp = page.read()                page.close()            except UnicodeDecodeError as e:                print(e)                print('-----UnicodeDecodeErrorurl:', url)            except urllib.error.URLError as e:                print(e)                print("-----urlErrorurl:", url)            except socket.timeout as e:                print(e)                print("-----socket timout:", url)            else:                # 解析json                rsp_data = json.loads(rsp, strict=False)                if 'data' not in rsp_data:                    print("触发了反爬机制,自动重试!")                else:                    self.save_image(rsp_data, word)                    # 读取下一页                    print("下载下一页")                    pn += self.__per_page        print("下载任务结束")        return    def start(self, word, total_page=1, start_page=1, per_page=30):        """        爬虫入口        :param word: 抓取的关键词        :param total_page: 需要抓取数据页数 总抓取图片数量为 页数 x per_page        :param start_page:起始页码        :param per_page: 每页数量        :return:        """        self.__per_page = per_page        self.__start_amount = (start_page - 1) * self.__per_page        self.__amount = total_page * self.__per_page + self.__start_amount        self.get_images(word)if __name__ == '__main__':    if len(sys.argv) > 1:        parser = argparse.ArgumentParser()        parser.add_argument("-w", "--word", type=str, help="抓取关键词", required=True)        parser.add_argument("-tp", "--total_page", type=int, help="需要抓取的总页数", required=True)        parser.add_argument("-sp", "--start_page", type=int, help="起始页数", required=True)        parser.add_argument("-pp", "--per_page", type=int, help="每页大小", choices=[10, 20, 30, 40, 50, 60, 70, 80, 90, 100], default=30, nargs='?')        parser.add_argument("-d", "--delay", type=float, help="抓取延时(间隔)", default=0.05)        args = parser.parse_args()        crawler = Crawler(args.delay)        crawler.start(args.word, args.total_page, args.start_page, args.per_page)  # 抓取关键词为 “美女”,总数为 1 页(即总共 1*60=60 张),开始页码为 2    else:        # 如果不指定参数,那么程序会按照下面进行执行        crawler = Crawler(0.05)  # 抓取延迟为 0.05        crawler.start('美女', 10, 2, 30)  # 抓取关键词为 “美女”,总数为 1 页,开始页码为 2,每页30张(即总共 2*30=60 张)        # crawler.start('二次元 美女', 10, 1)  # 抓取关键词为 “二次元 美女”        # crawler.start('帅哥', 5)  # 抓取关键词为 “帅哥”

使用方法:

百度图片爬虫,基于python3

需要安装python版本 >= 3.6

$ python crawling.py -husage: crawling.py [-h] -w WORD -tp TOTAL_PAGE -sp START_PAGE                   [-pp [{10,20,30,40,50,60,70,80,90,100}]] [-d DELAY]optional arguments:  -h, --help            show this help message and exit  -w WORD, --word WORD  抓取关键词  -tp TOTAL_PAGE, --total_page TOTAL_PAGE                        需要抓取的总页数  -sp START_PAGE, --start_page START_PAGE                        起始页数  -pp [{10,20,30,40,50,60,70,80,90,100}], --per_page [{10,20,30,40,50,60,70,80,90,100}]                        每页大小  -d DELAY, --delay DELAY                        抓取延时(间隔)

开始爬取图片

python crawling.py --word "丁真" --total_page 10 --start_page 1 --per_page 30

另外也可以在crawling.py最后一行修改编辑查找关键字
图片默认保存在项目路径
运行爬虫:

python crawling.py

来源地址:https://blog.csdn.net/m0_48096446/article/details/132194611

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