1. 前言
先贴代码
# -*- coding:utf8 -*-import requests
import json
from urllib import parse
import os
import time
classBaiduImageSpider(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defcreate_directory(self, name):
self.directory = self.directory.format(name)# 如果目录不存在则创建ifnot os.path.exists(self.directory):
os.makedirs(self.directory)
self.directory +=r'\{}'# 获取图像链接defget_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 inrange(30):
list_image_link.append(jsonInfo['data'][index]['thumbURL'])return list_image_link
# 下载图片defsave_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------->")withopen(filename,"wb")as f:
f.write(res.content)print("存储路径:"+ filename)# 入口函数defrun(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 inrange(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ipprint(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
- 分析页面
点击鼠标右键–>检查–元素,先找到第一层div
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。
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)
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。
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,
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。
随便点开一个文件,查看请求的url,可以发现,url很长
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)
对比多个文件,可以看到特点:
- pn:30
- pn:60
- pn: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
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。
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 inrange(30):print(jsonInfo['data'][index]['thumbURL'])
点击相应的链接,可以查询出相应的图像。
- 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
classBaiduImageSpider(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defcreate_directory(self, name):
self.directory = self.directory.format(name)# 如果目录不存在则创建ifnot os.path.exists(self.directory):
os.makedirs(self.directory)
self.directory +=r'\{}'# 获取图像链接defget_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 inrange(30):
list_image_link.append(jsonInfo['data'][index]['thumbURL'])return list_image_link
# 下载图片defsave_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------->")withopen(filename,"wb")as f:
f.write(res.content)print("存储路径:"+ filename)# 入口函数defrun(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 inrange(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ipprint(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:
下载的玫瑰图像数据:
10组向日葵图像:
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!!!
版权归原作者 纸照片 所有, 如有侵权,请联系我们删除。