Python有趣|寻找知乎最美小姐姐

前言

本月将更新八篇Python有趣系列文章。本系列通过多个有趣案例，讲解Python的玩法，其中包含如下内容，一一推进讲解。

• 爬虫

• 数据分析

• 机器学习

项目背景

最近知乎老是给我推送两个问答，一个是长得好看是种什么体验？(https://www.zhihu.com/question/295119062)，另一个是女朋友长得好看是怎样的体验？(https://www.zhihu.com/question/29024583/answer/532321853)所以，本文将讲解如何爬取知乎这两个问题的回答中的图片，并通过百度人脸识别api进行颜值打分，选取出知乎最美小姐姐。整个项目流程如下图所示：

网页分析

首先，我们打开一个话题，通过F12查看，可以看到是一个异步加载的网页，我们需要对其进行找包，如图，这个包就是我们所需要的。

接着，我们分析下这个url，可以发现，除了offset用于分页，questions后面的数字为不同问题的ID。之外，其他url的参数都是固定的，所以我们只需要构造这个url，不断循环请求就好了。

1. https://www.zhihu.com/api/v4/questions/29024583/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cbadge%5B%2A%5D.topics&limit=3&offset=3&platform=desktop&sort_by=default

返回的数据为json数据，我们这里只是需要图片，所以只提取用户昵称和内容（昵称用于图片取名，内容中有图片信息）。

图片信息存在content字段中，我们通过正则表达式来进行提取。

爬虫代码

根据上面的思路，我们编写爬虫代码：

1. import requests

2. from lxml import etree

3. import json

4. import time

5. import re

6. 
   

7. headers = {

8. 'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',

9. 'cookie':''

10. }

11. 
    

12. def get_img(url):

13. res = requests.get(url,headers=headers)

14. i = 1

15. json_data = json.loads(res.text)

16. datas = json_data['data']

17. for data in datas:

18. id = data['author']['name']

19. content = data['content']

20. imgs = re.findall('img src="(.*?)"',content,re.S)

21. if len(imgs) == 0:

22. pass

23. else:

24. for img in imgs:

25. if 'jpg' in img:

26. res_1 = requests.get(img,headers=headers)

27. fp = open('row_img/' + id + '+' + str(i) + '.jpg','wb')

28. fp.write(res_1.content)

29. i = i + 1

30. print(id,img)

31. 
    

32. if __name__ == '__main__':

33. urls = ['https://www.zhihu.com/api/v4/questions/29024583/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cbadge%5B%2A%5D.topics&limit=5&offset={}&platform=desktop&sort_by=default'.format(str(i)) for i in range(0,25000,5)]

34. for url in urls:

35. get_img(url)

36. time.sleep(2)

这里cookie需要换成自己的，我们图片的命名为用户昵称+数字（由于一个回答可能有多个图片），结果如图，这样，就解锁了一份小姐姐图片。

人脸识别API

由于爬取了图片，有一些是没人像，有些是男的...而且是为了找到高颜值小姐姐，如果人工筛选费事费力，这里调用百度的人脸识别API，进行图片过滤和颜值打分，选出知乎最美小姐姐。

首先，打开网址（http://ai.baidu.com/tech/face），登陆后立即使用，我们首先创建一个人脸识别的应用。api的使用说简单很简单（看文档就好了），说难也很难（大家的阅读能力在慢慢下降）。首先，我们看着文档（https://ai.baidu.com/docs#/Face-Detect-V3/top），一步步来。

接着我们通过API Key和Secret Key获取token：

1. import requests

2. 
   

3. ak = ''

4. sk = ''

5. 
   

6. host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={}&client_secret={}'.format(ak,sk)

7. 
   

8. res = requests.post(host)

9. print(res.text)

我们拿着token，来请求对应的网页就可以获取图片的内容了。我们拿张超越妹妹的图片做例子~

1. import base64

2. import json

3. 
   

4. token = ''

5. 
   

6. def get_img_base(file):

7. with open(file,'rb') as fp:

8. content = base64.b64encode(fp.read())

9. return content

10. 
    

11. request_url = "https://aip.baidubce.com/rest/2.0/face/v3/detect"

12. request_url = request_url + "?access_token=" + token

13. 
    

14. params = {

15. 'image':get_img_base('test.jpg'),

16. 'image_type':'BASE64',

17. 'face_field':'age,beauty,gender'

18. }

19. 
    

20. res = requests.post(request_url,data=params)

21. result = res.text

22. json_result = json.loads(result)

23. code = json_result['error_code']

24. gender = json_result['result']['face_list'][0]['gender']['type']

25. beauty = json_result['result']['face_list'][0]['beauty']

26. print(code,gender,beauty)

27. 
    

28. ### result 0 female 76.25

这里的token为前面请求得到的，params的参数中，图片需要base64编码~超越妹妹76.25，还算给力。

综合使用

最后，我们逐一请求我们保存的图片，过滤掉非人物以及男性图片，获取小姐姐图片的分数（这里处理为1-10分），并分别存在不同的文件夹中。

1. import requests

2. import os

3. import base64

4. import json

5. import time

6. 
   

7. def get_img_base(file):

8. with open(file,'rb') as fp:

9. content = base64.b64encode(fp.read())

10. return content

11. 
    

12. file_path = 'row_img'

13. list_paths = os.listdir(file_path)

14. for list_path in list_paths:

15. img_path = file_path + '/' + list_path

16. # print(img_path)

17. 
    

18. token = '24.a2d7a4d09435e716cf1cb163f176cb12.2592000.1553929524.282335-15648650'

19. 
    

20. request_url = "https://aip.baidubce.com/rest/2.0/face/v3/detect"

21. request_url = request_url + "?access_token=" + token

22. 
    

23. params = {

24. 'image':get_img_base(img_path),

25. 'image_type':'BASE64',

26. 'face_field':'age,beauty,gender'

27. }

28. 
    

29. res = requests.post(request_url,data=params)

30. json_result = json.loads(res.text)

31. code = json_result['error_code']

32. if code == 222202:

33. continue

34. 
    

35. try:

36. gender = json_result['result']['face_list'][0]['gender']['type']

37. if gender == 'male':

38. continue

39. beauty = json_result['result']['face_list'][0]['beauty']

40. new_beauty = round(beauty/10,1)

41. print(img_path,new_beauty)

42. if new_beauty >= 8:

43. os.rename(os.path.join(file_path,list_path),os.path.join('8分',str(new_beauty) + '+' + list_path))

44. elif new_beauty >= 7:

45. os.rename(os.path.join(file_path,list_path),os.path.join('7分',str(new_beauty) + '+' + list_path))

46. elif new_beauty >= 6:

47. os.rename(os.path.join(file_path,list_path),os.path.join('6分',str(new_beauty) + '+' + list_path))

48. elif new_beauty >= 5:

49. os.rename(os.path.join(file_path,list_path),os.path.join('5分',str(new_beauty) + '+' + list_path))

50. else:

51. os.rename(os.path.join(file_path,list_path),os.path.join('其他分',str(new_beauty) + '+' + list_path))

52. time.sleep(1)

53. 
    

54. except KeyError:

55. pass

56. except TypeError:

57. pass

今日互动

代码下载：公众号后台回复【知乎小姐姐】，下载完整代码。

留言打卡：说说自己做的最有趣的爬虫项目吧。最近开始运营社群，公众号后台回复【打卡】，加入打卡学习群，2019年一起搞事情。