Python爬虫系列(二)

您所在的位置:网站首页 如何在百度中搜索图片信息和文字 Python爬虫系列(二)

Python爬虫系列(二)

2024-07-09 18:43:40| 来源: 网络整理| 查看: 265

1. 前言

先贴代码

# -*- coding:utf8 -*- import requests import json from urllib import parse import os import time class BaiduImageSpider(object): def __init__(self): self.json_count = 0 # 请求到的json文件数量(一个json文件包含30个图像文件) self.url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=5179920884740494226&ipn=rj&ct' \ '=201326592&is=&fp=result&queryWord={' \ '}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=©right=&word={' \ '}&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&nojc=&pn={' \ '}&rn=30&gsm=1e&1635054081427= ' self.directory = r"C:\Users\cun\Pictures\download\{}" # 存储目录 这里需要修改为自己希望保存的目录 {}不要丢 self.header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30 ' } # 创建存储文件夹 def create_directory(self, name): self.directory = self.directory.format(name) # 如果目录不存在则创建 if not os.path.exists(self.directory): os.makedirs(self.directory) self.directory += r'\{}' # 获取图像链接 def get_image_link(self, url): list_image_link = [] strhtml = requests.get(url, headers=self.header) # Get方式获取网页数据 jsonInfo = json.loads(strhtml.text) for index in range(30): list_image_link.append(jsonInfo['data'][index]['thumbURL']) return list_image_link # 下载图片 def save_image(self, img_link, filename): res = requests.get(img_link, headers=self.header) if res.status_code == 404: print(f"图片{img_link}下载出错------->") with open(filename, "wb") as f: f.write(res.content) print("存储路径:" + filename) # 入口函数 def run(self): searchName = input("查询内容:") searchName_parse = parse.quote(searchName) # 编码 self.create_directory(searchName) pic_number = 0 # 图像数量 for index in range(self.json_count): pn = (index+1)*30 request_url = self.url.format(searchName_parse, searchName_parse, str(pn)) list_image_link = self.get_image_link(request_url) for link in list_image_link: pic_number += 1 self.save_image(link, self.directory.format(str(pic_number)+'.jpg')) time.sleep(0.2) # 休眠0.2秒,防止封ip print(searchName+"----图像下载完成--------->") if __name__ == '__main__': spider = BaiduImageSpider() spider.json_count = 10 # 定义下载10组图像,也就是三百张 spider.run()

如果要使用上述程序的话,需要修改两个地方:

self.directory 这是本地存储地址,修改为自己电脑的地址,另外,**{}**不要删spider.json_count = 10 这是下载的图像组数,一组有30张图像,10组就是三百张,根据需求下载

也可以去gitee仓库直接下载程序。

关于python爬虫入门,如何查看网页源码,可以参考我的另一篇文章 点击跳转

2. Python爬虫批量下载百度图片

流程:先分析页面,然后写爬虫程序。

打开“百度图片”,随便搜索一个词汇,例如玫瑰,可以查询到相关的图片

image-20211024132137388

分析页面

点击鼠标右键–>检查–元素,先找到第一层div

image-20211024132532939

然后往下找,可以找到一堆li,也就是以列表排列的元素,经研究发现,每个li代表一个模块,每个模块包含图像和下面的字,实际上,下面的字也带有相应链接,点击可以跳转到新页面。

image-20211024132811181

可以先数一下,包含前面的广告图片,总共也就二十多个li,也就是只包含了二十多张图像。

根据使用经验来看,鼠标滚轮下滚,会看到源源不断的图像,并不局限于二十多张图像,那么我们先下滚鼠标滚轮,看看会发生什么。(此时只有一个类名为“imgpage”的div)

image-20211024134004366

鼠标滚轮下滚,类名为“imgpage”的div增加了很多,继续下滚,还会继续增加。

image-20211024134201075

由此可以得出一个结论,“百度图片”初始只会渲染部分图像到页面上,随着滚轮下滚,就会请求新的数据。而请求数据,就可以在“网络“中获取请求信息,

image-20211024134634136

打开”网络“,可以发现请求的数据非常非常多,而我们只想找刚刚请求的图像数据。

这里再了解一个新技术–XHR,关于XHR,推荐一篇文章XHR-点击跳转,简单来说,在XHR之前,网页要获取客户端和服务器的任何状态更新,都需要刷新一次,而XHR可以不用刷新就请求到新的数据。刚才的下滚鼠标滚轮并没有刷新界面信息。

打开”网络“中的【XHR】,这里的数据都是通过XHR请求到的,通过名称可以初步判断出,请求到的文件是json格式的。

image-20211024135256750

随便点开一个文件,查看请求的url,可以发现,url很长

image-20211024135458608

比对以下不同文件的请求url,可以发现两个【pn】和【gsm】不同(gsm可以不用管它,这是通信系统)

image-20211024135832630

对比多个文件,可以看到特点:

pn:30pn:60pn:90……

下滚鼠标滚轮,会添加一个新的json文件,实际上,pn表示一组数据,一组数据包含30个图像内容,也就是第一次请求会得到30个图像,再次请求会得到另外30个图像。

现在已经分析出查询同种类型图像的url特点,那么不同类型的请求url呢?

这里又查询了一下”向日葵“,,pn也是按30、60、90进行排列的。对比”玫瑰“和”向日葵“的请求url,不同的属性增加了【logid】、【queryWord】、【word】,而【queryWord】和【word】的信息是相同的,通过名称可以看出,【queryWord】和【word】代表的是查询信息。

queryWord=%E5%90%91%E6%97%A5%E8%91%B5

这后面的信息是编码后的查询数据,至于为什么编码,是因为URL只支持一部分ASCII编码,而中文内容需要进行编码,才能用于url

使用在线URL编码工具尝试编码”向日葵“,发现与url使用中的相同

image-20211024141921177

到这里,我们可以尝试一下这个url请求

import requests # 导入requests包 url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=6991546938775238432&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%90%91%E6%97%A5%E8%91%B5&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=©right=&word=%E5%90%91%E6%97%A5%E8%91%B5&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&nojc=&pn=30&rn=30&gsm=1e&1635046467636=' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30'} strhtml = requests.get(url, headers=headers) # Get方式获取网页数据 print(strhtml.text)

请求到的数据如下图所示,可以看到返回结果是json格式的。

image-20211024142333934

既然是json格式的,我们也不用BeautifulSoup进行解码了,直接根据json格式获取信息。

import requests # 导入requests包 import json url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=6991546938775238432&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%90%91%E6%97%A5%E8%91%B5&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=©right=&word=%E5%90%91%E6%97%A5%E8%91%B5&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&nojc=&pn=30&rn=30&gsm=1e&1635046467636=' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30'} strhtml = requests.get(url, headers=headers) # Get方式获取网页数据 jsonInfo = json.loads(strhtml.text) for index in range(30): print(jsonInfo['data'][index]['thumbURL'])

image-20211024143135677

点击相应的链接,可以查询出相应的图像。

image-20211024143249824

编写爬虫程序

经过上面分析,基本上有了编写程序的思路。

获取请求url解析出图像对应的url根据图像url下载图像

根据设计思路,编写爬虫程序

# -*- coding:utf8 -*- import requests import json from urllib import parse import os import time class BaiduImageSpider(object): def __init__(self): self.json_count = 0 # 请求到的json文件数量(一个json文件包含30个图像文件) self.url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=5179920884740494226&ipn=rj&ct' \ '=201326592&is=&fp=result&queryWord={' \ '}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=©right=&word={' \ '}&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&nojc=&pn={' \ '}&rn=30&gsm=1e&1635054081427= ' self.directory = r"C:\Users\cun\Pictures\download\{}" # 存储目录 这里需要修改为自己希望保存的目录 {}不要丢 self.header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30 ' } # 创建存储文件夹 def create_directory(self, name): self.directory = self.directory.format(name) # 如果目录不存在则创建 if not os.path.exists(self.directory): os.makedirs(self.directory) self.directory += r'\{}' # 获取图像链接 def get_image_link(self, url): list_image_link = [] strhtml = requests.get(url, headers=self.header) # Get方式获取网页数据 jsonInfo = json.loads(strhtml.text) for index in range(30): list_image_link.append(jsonInfo['data'][index]['thumbURL']) return list_image_link # 下载图片 def save_image(self, img_link, filename): res = requests.get(img_link, headers=self.header) if res.status_code == 404: print(f"图片{img_link}下载出错------->") with open(filename, "wb") as f: f.write(res.content) print("存储路径:" + filename) # 入口函数 def run(self): searchName = input("查询内容:") searchName_parse = parse.quote(searchName) # 编码 self.create_directory(searchName) pic_number = 0 # 图像数量 for index in range(self.json_count): pn = (index+1)*30 request_url = self.url.format(searchName_parse, searchName_parse, str(pn)) list_image_link = self.get_image_link(request_url) for link in list_image_link: pic_number += 1 self.save_image(link, self.directory.format(str(pic_number)+'.jpg')) time.sleep(0.2) # 休眠0.2秒,防止封ip print(searchName+"----图像下载完成--------->") if __name__ == '__main__': spider = BaiduImageSpider() spider.json_count = 10 # 定义下载10组图像,也就是三百张 spider.run()

如果要使用上述程序的话,需要修改两个地方:

self.directory 这是本地存储地址,修改为自己电脑的地址,另外,**{}**不要删spider.json_count = 10 这是下载的图像组数,一组有30张图像,10组就是三百张,根据需求下载

测试下载3组玫瑰,程序运行情况:

image-20211024152530111

下载的玫瑰图像数据:

image-20211024152714420

10组向日葵图像:

image-20211024152653324

值得注意的是,下载过程中使用了休眠,这里设置了下载一张图像休眠0.2秒,是为了防止查询过快导致ip地址被封,更进阶的做法是添加【代理ip池】

3. 后言

爬虫还是比较好入门的,这得益于成熟的爬虫工具。

爬虫可以满足自己的个性化搜索需求,快动手试试吧。

如果觉得文章还不错的话,留个赞再走吧,非常感谢!!!



【本文地址】

公司简介

联系我们

今日新闻


点击排行

实验室常用的仪器、试剂和
说到实验室常用到的东西,主要就分为仪器、试剂和耗
不用再找了,全球10大实验
01、赛默飞世尔科技(热电)Thermo Fisher Scientif
三代水柜的量产巅峰T-72坦
作者:寞寒最近,西边闹腾挺大,本来小寞以为忙完这
通风柜跟实验室通风系统有
说到通风柜跟实验室通风,不少人都纠结二者到底是不
集消毒杀菌、烘干收纳为一
厨房是家里细菌较多的地方,潮湿的环境、没有完全密
实验室设备之全钢实验台如
全钢实验台是实验室家具中较为重要的家具之一,很多

推荐新闻


图片新闻

实验室药品柜的特性有哪些
实验室药品柜是实验室家具的重要组成部分之一,主要
小学科学实验中有哪些教学
计算机 计算器 一般 打孔器 打气筒 仪器车 显微镜
实验室各种仪器原理动图讲
1.紫外分光光谱UV分析原理:吸收紫外光能量,引起分
高中化学常见仪器及实验装
1、可加热仪器:2、计量仪器:(1)仪器A的名称:量
微生物操作主要设备和器具
今天盘点一下微生物操作主要设备和器具,别嫌我啰嗦
浅谈通风柜使用基本常识
 众所周知,通风柜功能中最主要的就是排气功能。在

专题文章

    CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭