看综艺是为了学爬虫，最后居然搞的深度学习，这Python课也是绝了

用微信扫码二维码

分享至好友和朋友圈

普通Python学习让人倦

同学们，这次我们要学习用Python来做爬虫，爬取的是深度学习的训练资料。估计这么一说，大部分同学是这样的。

少部分同学可能觉得爬虫和深度学习比较时髦，还能硬着头皮来听讲，但心里肯定直打鼓，“这肯定是从入门到放弃吧？”

好吧，这次用不一样的方法，先让大家看时尚综艺节目吧，里面有很多PLMM，至于学习嘛，先放后面。怎么样？有精神了吧。让我们开始看看综艺，解解乏。

综艺是什么？

这次有很多PLMM的节目就是，《青春有你第二季》。109位选手，通过任务、训练、考核，让选手在明星导师训练下成长，最终选出9位选手，组成偶像团体出道。可以说，PLMM多的很，让我们先看几位。

Lisa

LISA（舞蹈导师）

泰国籍女歌手

代表作品：WHISTLE、BOOMBAYAH

哦，这不是选手，是出席嘉宾。呵呵，看花眼了。马上选手就来。

选手来了，就直接截图了啊。

还有很多啊，大家千万别忘了，学习Python才是目标。这次的目标是，

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

所有的PLMM图片都爬取下来，这次就干这个，至于拿来干嘛？别想歪了，留个悬念，后面会有更精彩的答案。

下面介绍爬取的思路和关键点。

爬取图片思路和关键

爬虫大家平常听的比较多，很多人也把爬虫想得比较神秘。下面就先科普下Python来爬资料的原理。

首先，从大家上网开始讲起。

作为一个普通上网用户，要浏览网站，首先打开浏览器 ，输入网址，浏览器往目标站点发送请求。浏览器接收网站响应数据，然后浏览器将内容 渲染到页面上。用户看到访问内容就完成了一个普通浏览过程。

那么模拟我们日常访问的爬虫程序是怎么执行的呢？为什么要模拟？这个问题问的好。

只有模拟了人访问的爬虫才能最大程度得到理想的数据，而不用担心被封杀。好，下面是爬虫程序执行原理。

首先爬虫程序模拟浏览器，往目标站点发送请求。爬虫程序接收网站响应数据后，从中提取有用的数据 。最后保存下来。

大家明白原理后，作为一个爬虫应该有的程序逻辑就跃然于纸上。

爬虫的过程：

1.发送请求（requests模块）

2.获取响应数据（服务器返回）

3.解析并提取数据（BeautifulSoup查找或者re正则）

4.保存数据

爬虫过程中两个库，requests和BeautifulSoup下面就重点讲解下。

request模块：

requests是python实现的简单易用的HTTP库，官网地址：http://cn.python-requests.org/zh_CN/latest/

requests.get(url)可以发送一个http get请求，返回服务器响应内容。

BeautifulSoup库：

BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。网址：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。

BeautifulSoup(markup, "html.parser")或者BeautifulSoup(markup, "lxml")，推荐使用lxml作为解析器,因为效率更高。

参赛选手爬取具体代码

是不是想跃跃欲试呢？下面看好了，爬取百度百科中《青春有你2》中所有参赛选手信息，返回HTML的代码来了!

Python代码如下：

def parse_wiki_data(table_html):

'''

从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下

'''

bs = BeautifulSoup(str(table_html),'lxml')

all_trs = bs.find_all('tr')

error_list = ['\'','\"']

stars = []

for tr in all_trs[1:]:

all_tds = tr.find_all('td')

star = {}

#姓名

star["name"]=all_tds[0].text

#个人百度百科链接

star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')

#籍贯

star["zone"]=all_tds[1].text

#星座

star["constellation"]=all_tds[2].text

#身高

star["height"]=all_tds[3].text

#体重

star["weight"]= all_tds[4].text

#花语,去除掉花语中的单引号或双引号

flower_word = all_tds[5].text

for c in flower_word:

if c in error_list:

flower_word=flower_word.replace(c,'')

star["flower_word"]=flower_word

#公司

if not all_tds[6].find('a') is None:

star["company"]= all_tds[6].find('a').text

else:

star["company"]= all_tds[6].text

stars.append(star)

json_data = json.loads(str(stars).replace("\'","\""))

with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:

json.dump(json_data, f, ensure_ascii=False)

上面代码爬了内容，并返回html，下面就要对爬取的页面数据进行解析，并保存为JSON文件。为什么要保存json文件呢？因为你肯定不想每次抓图都去爬全部的页面，而是先把全部页面保存下来，然后再慢慢分析每个保存的页面中的图片链接，然后再真正把图爬下来。要说明的是，PLMM的图，不要放弃哦。

def parse_wiki_data(table_html):

'''

从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下

'''

bs = BeautifulSoup(str(table_html),'lxml')

all_trs = bs.find_all('tr')

error_list = ['\'','\"']

stars = []

for tr in all_trs[1:]:

all_tds = tr.find_all('td')

star = {}

#姓名

star["name"]=all_tds[0].text

#个人百度百科链接

star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')

#籍贯

star["zone"]=all_tds[1].text

#星座

star["constellation"]=all_tds[2].text

#身高

star["height"]=all_tds[3].text

#体重

star["weight"]= all_tds[4].text

#花语,去除掉花语中的单引号或双引号

flower_word = all_tds[5].text

for c in flower_word:

if c in error_list:

flower_word=flower_word.replace(c,'')

star["flower_word"]=flower_word

#公司

if not all_tds[6].find('a') is None:

star["company"]= all_tds[6].find('a').text

else:

star["company"]= all_tds[6].text

stars.append(star)

json_data = json.loads(str(stars).replace("\'","\""))

with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:

json.dump(json_data, f, ensure_ascii=False)

下面来干货了，真正爬取每个选手的百度百科图片，并进行保存。

def crawl_pic_urls():

'''

爬取每个选手的百度百科图片，并保存

'''

with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:

json_array = json.loads(file.read())

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'

}

for star in json_array:

name = star['name']

link = star['link']

pic_urls.append(link)

down_pic(name,pic_urls)

上面收集了每张图片链接，下面开始真正每张图下载了，伟大时刻开启。

def down_pic(name,pic_urls):

'''

根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,

'''

path = 'work/'+'pics/'+name+'/'

if not os.path.exists(path):

os.makedirs(path)

for i, pic_url in enumerate(pic_urls):

try:

pic = requests.get(pic_url, timeout=15)

string = str(i + 1) + '.jpg'

with open(path+string, 'wb') as f:

f.write(pic.content)

print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))

except Exception as e:

print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))

print(e)

continue

打印爬取的所有图片的路径

def show_pic_path(path):

'''

遍历所爬取的每张图片，并打印所有图片的绝对路径

'''

pic_num = 0

for (dirpath,dirnames,filenames) in os.walk(path):

for filename in filenames:

pic_num += 1

print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename)))

print("共爬取《青春有你2》选手的%d照片" % pic_num)

写好了每个功能模块，让他们都转起来。

if __name__ == '__main__':

#爬取百度百科中《青春有你2》中参赛选手信息，返回html

html = crawl_wiki_data()

#解析html,得到选手信息，保存为json文件

parse_wiki_data(html)

#从每个选手的百度百科页面上爬取图片,并保存

crawl_pic_urls()

#打印所爬取的选手图片路径

show_pic_path('/home/aistudio/work/pics/')

print("所有信息爬取完成！")

开始转起来。真正的把100多位漂亮妹子的图从网上抓下来，是多么的壮观。让大家看看效果。

真正的把100多位漂亮妹子的图从网上抓下来，是多么的壮观

如果你的网络没问题，不多会，你就发现，选手的照片都躺到硬盘上了。开心吧，下面会讲到让你更意外的精彩。

选手的照片都躺到硬盘上了

真正的目的

有了这么多美女的照片，我们最后是要做什么呢？

最后的目的是让大家掌握人工智能领域现在最火热的深度学习。大家也知道从2015年开始，各大公司，包括阿里，头条等，用天价的薪酬来招聘深度学习工程师。对，就是接下来大家要掌握的深度学习。

大家要掌握的深度学习

下面的深度学习就会用爬下来的美女照片教会机器，不！应该说用美女照片做训练集，让机器在这个数据集上进行训练，然后就可以进行比如人像识别等很精彩的应用了。

深度学习一般过程如下：

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.