python爬取大量百度图片
转载，验证可行：
https://www.jianshu.com/p/33bee611fa7d
一、爬取百度图片一页
import requests
import re
import os
#url = input("请输入百度图片首页地址")
url = r'https://image.baidu.com/search/index?tn=baiduimage&ct=201326592&lm=-1&cl=2&ie=gbk&word=%C3%C0%C5%AE&fr=ala&ala=1&alatpl=cover&pos=0&hs=2&xthttps=111111'
html = requests.get(url).text
links = re.findall(r'"objURL":"(.*?)"', html) #一个图片对应许多链接，经测试图片链接在 objURL 这个标签内。用正则找出
dirpath = os.getcwd() + '\\pictures'
if not os.path.isdir(dirpath):
os.mkdir(dirpath)
index = 1
for link in links:
print("Downloading:", link)
try:
res = requests.get(link)
if str(res.status_code)[0] == "4":
print("未下载成功：", link)
continue
except Exception as e:
print("未下载成功：", link)
filename = os.path.join(dirpath, str(index) + ".jpg")
with open(filename, 'wb') as f:
f.write(res.content)
index += 1
print("下载结束，一共 {}张图片" .format(index))
二、爬取更多图片
通过上面的方法我们可以成功爬取百度的一页图片。
但是要获取更多图片呢？可以用 selenium 库，但用别的方法呢？
从网页中我们可以看到要通过下拉才能显示出更多图片，但网址的url并没有改变。
按 F12 后在 Network 中观察，可以发现在下拉过程中，出现了 xhr 这个东东。
点进去看看。
把这个请求头的 URL 复制下，在浏览器地址栏输入，可以看到是 JSON 格式的数据。
所以这是一个传输 JSON 格式的网址。
那么图片在哪呢？
点开 preview ，在 data 中看到了0~30 的数据，随便点开一个。
可以看到，图片就是以 json 格式存在这里。图片链接地址还是在 objURL 标签内。
那么要下载图片的方法就是通过爬取一个个 json 格式的网址，找出里面的图片链接就行了。
通过不断下拉网页，分析几个请求头的 URL ，我们可以分析出它的规律。
我们可以写出任意关键词和它匹配的所有图片网址链接。
import itertools
import urllib
def buildUrls(word):
word = urllib.parse.quote(word)
url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=60"
urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=60)) #创建一个生成器
return urls
所需的 json 图片网址搞定了，那么接下去我们要从传回的 json 字符串中找出图片的下载链接
re_url = re.compile(r'"objURL":"(.*?)"')
imgs = re_url.findall(html)
查看一下 objURL 内的图片下载链接
这是什么下载链接 ？0.0
"objURL":"ippr_z2C$qAzdH3FAzdH3Ft42a_z&e3Bri_z&e3B8dm_z&e3BgjpAzdH3FTUvBJufGp8ysKmCr4RTyFQ==AzdH3Fdm0ancn8a98c98alb9a_z&e3B3r2"
原来是加密了，破解方法还是在上面的链接中。
所以我们可以写出解密方法了。
import requests
import re
sign_table = { #解码 : . / 这三个符号
'_z2C$q': ':',
'_z&e3B': '.',
'AzdH3F': '/'
}
char_table = { #解码其他字符
'w': 'a',
'k': 'b',
'v': 'c',
'1': 'd',
'j': 'e',
'u': 'f',
'2': 'g',
'i': 'h',
't': 'i',
'3': 'j',
'h': 'k',
's': 'l',
'4': 'm',
'g': 'n',
'5': 'o',
'r': 'p',
'q': 'q',
'6': 'r',
'f': 's',
'p': 't',
'7': 'u',
'e': 'v',
'o': 'w',
'8': '1',
'd': '2',
'n': '3',
'9': '4',
'c': '5',
'm': '6',
'0': '7',
'b': '8',
'l': '9',
'a': '0'
}
# python3字符串的translate方法需要用单个字符的十进制unicode编码作为key
# value 中的数字会被当成十进制unicode编码转换成字符
# 也可以直接用字符串作为value
char_table = {ord(key): ord(value) for key, value in char_table.items()}
def decode(url):
# 先替换字符串
for key, value in sign_table.items():
url = url.replace(key, value)
# 再替换剩下的字符
return url.translate(char_table)
if __name__ == '__main__':
url = r"ippr_z2C$qAzdH3FAzdH3Ft42a_z&e3Bri_z&e3B8dm_z&e3BgjpAzdH3FTUvBJufGp8ysKmCr4RTyFQ==AzdH3Fdm0ancn8a98c98alb9a_z&e3B3r2"
print(decode(url))
得出正确图片下载链接：
http://img0.ph.126.net/TUcBJfsGt1ylK6CpmRTyFQ==/2670353104154109840.jpg
三、下载代码
归纳一下思路：
- 发送 json 格式的 HTTP 请求，获取 json 数据
- 解析数据得到图片下载链接
- 下载图片
import requests
import urllib
import os, re
import itertools
sign_table = { #解码 : . / 这三个符号
'_z2C$q': ':',
'_z&e3B': '.',
'AzdH3F': '/'
}
char_table = { #解码其他字符
'w': 'a',
'k': 'b',
'v': 'c',
'1': 'd',
'j': 'e',
'u': 'f',
'2': 'g',
'i': 'h',
't': 'i',
'3': 'j',
'h': 'k',
's': 'l',
'4': 'm',
'g': 'n',
'5': 'o',
'r': 'p',
'q': 'q',
'6': 'r',
'f': 's',
'p': 't',
'7': 'u',
'e': 'v',
'o': 'w',
'8': '1',
'd': '2',
'n': '3',
'9': '4',
'c': '5',
'm': '6',
'0': '7',
'b': '8',
'l': '9',
'a': '0'
}
# python3字符串的translate方法需要用单个字符的十进制unicode编码作为key
# value 中的数字会被当成十进制unicode编码转换成字符
# 也可以直接用字符串作为value
char_table = {ord(key): ord(value) for key, value in char_table.items()}
# 解码图片URL
def decode(url):
# 先替换字符串
for key, value in sign_table.items():
url = url.replace(key, value)
# 再替换剩下的字符
return url.translate(char_table)
# 生成网址列表
def buildUrls(word):
word = urllib.parse.quote(word)
url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=60"
urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=60))
return urls
# 解析JSON获取图片URL
re_url = re.compile(r'"objURL":"(.*?)"')
def resolveImgUrl(html):
imgUrls = [decode(x) for x in re_url.findall(html)]
return imgUrls
# 下载图片
def downImg(imgUrl, dirpath, imgName):
filename = os.path.join(dirpath, imgName)
try:
res = requests.get(imgUrl, timeout=15)
if str(res.status_code)[0] == "4":
print(str(res.status_code), ":" , imgUrl)
return False
except Exception as e:
print("抛出异常：", imgUrl)
print(e)
return False
with open(filename, "wb") as f:
f.write(res.content)
return True
if __name__ == '__main__':
print("欢迎使用百度图片下载脚本！目前仅支持单个关键词。")
print("下载结果保存在脚本目录下的picture文件夹中。")
print("=" * 50)
word = input("请输入你要下载的图片关键词：\n")
dirpath = os.getcwd() + '\\pictures'
if not os.path.isdir(dirpath):
os.mkdir(dirpath)
urls = buildUrls(word)
index = 0
for url in urls:
print("正在请求：", url)
html = requests.get(url, timeout=10).content.decode('utf-8')
imgUrls = resolveImgUrl(html)
if len(imgUrls) == 0: # 没有图片则结束
break
for url in imgUrls:
if downImg(url, dirpath, str(index) + ".jpg"):
index += 1
print("已下载 %s 张" % index)