使用python爬取百度图片？

1条回答我要回复

小梅1271天前

现在python很是火爆，我也忍不住去学习了一下，发现这门语言非常简单，可以用很简单的代码写出很流弊的东西，当然每门语言都有很多坑。我学习了一些基础知识便尝试写了一个爬虫，爬取百度图片，在这里分享一下我的代码。

想要爬取网络上的东西首先要了解网页结构，我们使用百度图片搜索“美女”，我们会发现网页是这样子的：

直接查看网页源代码，发现图片的网址都是这样的："objURL":",5,5,60,20;t=gif/sign=e8c6820dad4bd11310c0bf603bc6cf6a/d1a20cf431adcbef565a1878acaf2edda3cc9f65.jpg"
这还不简单？直接上代码：from urllib import request
import re

def getHtml(url):
page = request.urlopen(url)
html = page.read()
return html

def getImg(html):
reg = '"objURL":"(.*?)",'
imgre = re.compile(reg)
html = html.decode('utf-8')
print(html)
imglist = re.findall(imgre, html)
print("发现%s个匹配对象"%imglist.__len__())
x = 0
for imgurl in imglist:
request.urlretrieve(imgurl, '%s.jpg' % x)
x+=1
return x


html = getHtml("美女&fr=ala&ala=1&alatpl=adress&pos=0&hs=2&xthttps=111111")
getImg(html)
咦？我们发现爬虫爬了一些就不爬了，我们再看一下网页，我们发现它是动态加载的，每下滑一段距离就加载一些图片，没有换页的按钮，那怎么爬呢？我们看一下他的网址：
很长，后边跟了一堆不知道什么参数，尝试着把它删掉也不会出什么问题，还是加载原来的界面，我们发现关键的地方只有两个，一个是问好前面的请求网址，另一个就是参数word，有一个办法很简单，你只要把前面的网址换成“  ，参数和以前一样就能得到下面的网页：

这下子不就是有换页了吗，我们查看网页的代码

id=imgContainer的是图片容器，id=page的是换页的容器，在里面可以很容易找到下一页所在的位置：

图片位置：

 
总体流程是这样的：
1.先循环得到所有图片的url
2.循环下载图片
先写一个方法得到一页中所有的图片url并返回下一页图片的url的方法：def get_onepage_urls(onepageurl):
"""获取单个翻页的所有图片的urls+当前翻页的下一翻页的url"""
if not onepageurl:
print('已到最后一页, 结束')
return [], ''
try:
html = requests.get(onepageurl).text
except Exception as e:
print(e)
pic_urls = []
fanye_url = ''
return pic_urls, fanye_url
#用正则得到所有图片的url和下一页的url
pic_urls = re.findall('"objURL":"(.*?)",', html, re.S)
fanye_urls = re.findall(re.compile(r'<a href="(.*)" >下一页</a>'), html, flags=0)
fanye_url = 'http://image.baidu.com' + fanye_urls[0] if fanye_urls else ''
return pic_urls, fanye_url
循环下载图片的方法：def down_pic(pic_urls):
"""给出图片链接列表, 下载所有图片"""
for i, pic_url in enumerate(pic_urls):
try:
pic = requests.get(pic_url, timeout=15)
string = str(i)+ '.jpg'
#写入文件
with open(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
很简单吧，用request很简单就可以发起请求并得到结果
最后把它们串到一起就好了：if __name__ == '__main__':
keyword = '美女'
url_init_first = r'http://image.baidu.com/search/flip?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1497491098685_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&ctd=1497491098685%5E00_1519X735&word='
url_init = url_init_first + request.quote(keyword, safe='/')
#声明一个list用来装图片url
all_pic_urls = []
onepage_urls, fanye_url = get_onepage_urls(url_init)
all_pic_urls.extend(onepage_urls)
fanye_count = 0 # 累计翻页数
#循环添加图片url
while 1:
onepage_urls, fanye_url = get_onepage_urls(fanye_url)
fanye_count += 1
print('第%s页' % fanye_count)
if fanye_url == '' and onepage_urls == []:
break
all_pic_urls.extend(onepage_urls)
#下载图片
down_pic(list(set(all_pic_urls)))
就这样就完事了，我也不贴完整代码了，把它们合到一块就是完整的。
回到开头说的地方，对于动态加载的网页我们就没有办法了吗？当然不是，动态加载的网页也是不断请求数据的，我们只要模拟它请求数据的方式就好了，打开网络监视器分析：


请求带了一堆参数，网页滑来滑去就变动其中几个，最上面是个时间，下面有个gsm不知道啥玩意儿，有规律变化的是pn，每次加30，正好和rn对应,猜测是pageNumber和requestNumber的缩写，改变pn再次请求发现有动静，嗯，就是他了，我们复制网址循环请求就好了，可以得到它的json，解析，就完事了

可以看到这里面数据很全啊，图片url，宽高属性，图片类型，原网址，标签，和上面一样解析一下，下载方法不用变，完事。
不一部分一部分的讲了，直接上代码
import requests
import os
import json
def getManyPages(keyword,pages):
params=[]
for i in range(30,30*pages+30,30):
params.append({
'tn': 'resultjson_com',
'ipn': 'rj',
'ct': 201326592,
'is': '',
'fp': 'result',
'queryWord': keyword,
'cl': 2,
'lm': -1,
'ie': 'utf-8',
'oe': 'utf-8',
'adpicid': '',
'st': -1,
'z': '',
'ic': 0,
'word': keyword,
's': '',
'se': '',
'tab': '',
'width': '',
'height': '',
'face': 0,
'istype': 2,
'qc': '',
'nc': 1,
'fr': '',
'pn': i,
'rn': 30,
'gsm': '1e',
'1488942260214': ''
})
url = 'https://image.baidu.com/search/acjson'
urls = []
for i in params:
try:
urls.append(requests.get(url,params=i).json().get('data'))
except json.decoder.JSONDecodeError:
print("解析出错")

return urls


def getImg(dataList, localPath):

if not os.path.exists(localPath): # 新建文件夹
os.mkdir(localPath)

x = 0
for list in dataList:
for i in list:
if i.get('thumbURL') != None:
print('正在下载：%s' % i.get('thumbURL'))
ir = requests.get(i.get('thumbURL'))
open(localPath + '%d.jpg' % x, 'wb').write(ir.content)
x += 1
else:
print('图片链接不存在')

if __name__ == '__main__':
dataList = getManyPages('美女',10) # 参数1:关键字，参数2:要下载的页数
getImg(dataList,'D:/reptilian/') # 参数2:指定保存的路径