Python 爬虫系列教程一爬取批量百度图片
Python 爬虫系列教程一爬取批量百度图片
https://blog.csdn.net/qq_40774175/article/details/81273198
很久之前就学习了Python的爬虫了，也用来做过一些项目（主要是一些课程项目），但时间比较紧，一直没有空把它写下来，这个暑假，我可能会逐渐更新Python爬虫的相关知识。
项目1：实现批量爬取百度图片
先简单的介绍下这个项目。当你需要下载大量图片的时候，或许你会去百度图片里一张张右键下载，但这样未免太麻烦了，有了这个工具，你直接运行下程序，输入你想要下载图片的关键字，然后输入你想要下载图片的数量，你就成功下载图片了！
下面给下演示程序的截图：
几秒钟后，我去C盘文件夹下，就有了30张，张天爱的图片啦！
是不是觉得，这样下载起来比较方便........
好了，言归正传，下面开始一步步教大家，怎么实现它！
1. Python的IDE，我想大家应该都有吧，我用的是pycharm,大家可以去官网上下载，这里顺带给大家推荐一个免费试用它的方法，当然，仅限于在校大学生（如果你是高中生的话，可能需要麻烦一点，去百度找注册码，大概每个月会更新一次的样子）
首先，你先到jetBrains 官网，官网链接在这！打开后。
你点击右上角的人物标志，进入账号登录页面。
之后，你在打开这个注册账号的链接：学生账号注册链接，
点击立即申请！
你会进入这个页面：
这里需要一个学校的公邮，这个公邮去哪里找呢？你可以去你所在学校的官网找找，每个在校大学生都可以申请200个学校公邮的（反正我们学校是这样），你可以搜索你们学校的邮箱系统，去查看具体怎么申请，每个学校可能不同。
申请好了以后，你在回到一开始让你进入的登录页面，登录以后，就可以免费下载使用了。
2 .安装爬虫需要的包
（1）如果你使用的是pycharm，那么你安装包会非常的方便，在pycharm里找的Terminal 点击，输入pip install ....就可以安装包了，当然如果是你首次运行的话，可能需要你更新pip工具，这你最好去官网重新下载下pip，这样你以后会很方便，这里就不在具体讲怎么更新pip了，以后有时间在写写吧。
（2） 依次键入pip install BeautifulSoup
pip insatll requests
pip install lxml
（3）下面将分别介绍他们的用途：
BeautifulSoup 是用来获取一个页面里面的各个标签及里面的内容，我们主要用到它里面的find(),find_All()函数，具体用法将在后面一一介绍
requests 是用来获取网页信息的，也就是说，我们给它一个url，它能把这个url对应的页面信息全部反馈给我们，这时候我们在用beautifulSoup里的函数对他们进行处理
lxml 是一个解析器，python里有专门的解析器，html.parser,但是lxml的解析速度优于html_parser，所以建议使用lxml
3. Python正则表达式基础
要想提升写爬虫的能力，那么你必须学会正则表达式，它可以让你用简短的代码实现你想要的功能。
详细的知识，可以到这里去看.python 正则表达式
下面我会介绍，本次项目里使用到的技巧：
首先你先打开百度图片 ，也就是这个页面 百度图片
然后，你可以随便输入你想要查看的图片....(不好意思，我还是输入了,zhang tian ai)
注意：先点击右上角，切换成传统翻页版，因为这样有利于我们爬取图片！
接着，你右键检查网页源代码（如果你用的是谷歌浏览器），那么你可以在里面直接搜索 objURL 或者URL
现在我们发现了我们需要图片的url了，现在，我们要做的就是将这些信息爬取出来（网页中有objURL,hoverURL...但是我们用的是objURL,因为这个是原图），如何获取objURL?当然你可以饱览写个程序跑一遍，但是这程序写起来.....
那我们该如何用正则表达式实现呢？其实只需要一行代码.....
就是这么简单，我想你如果看了正则表达式，一定可以轻松的写出或者理解这句话。
4 . BeautifulSoup知识介绍
同样的我先给出文档链接，具体细节大家自己研究，我这里只介绍这个项目用到的知识。BeautifulSoup 文档
我们主要用到的是find()和find_All()函数：
5. requests 介绍
requests文档
requests博大精深，我们这里只不过是用了它的一个公能而已。
html = requests.get(url) 我们将url传进去，它就会得到这个url里面的信息，具体的，大家可以在python里运行试试.6. 项目实现思路
首先需要写一个下载图片的函数，其次还有检测图片数量的函数，还有最后的推荐函数（推荐函数，主要是根据你键入的文本，在百度图片里找到相似的内容，返回给用户，类似于百度搜索的最下面）
首先是图片下载函数：下面是部分代码
具体思路就是根据正则表达式，找到url,然后完成下载。
其次是推荐函数：
推荐函数，主要公能是把百度的相关搜索提示返回给用户，实现很简单，但需要注意编码的问题（关于python编码格式的问题，我觉得能写10000字，以后有空再慢慢写吧）。
还有是检测图片数量函数，它的主要思路是通过计算能翻的页数来估算总数量，比如一个页面有20张图片，那么我点下一页50次，那么就说明有1000张图片....虽然这样很傻（哈哈）
因为有些图片可能有很多张（估计要翻页10000多次），所以为了能在几秒内下载好图片，我把图片是上限设为了1020张，也就是说即使有100000张图片，我也就先告诉你只有1020张（当然你也可以把它设置为无限，可能会慢一点）
7 主函数
主函数主要是一些逻辑上的问题，为的就是让用户使用更便捷而已，具体我就不一一解释，我想大家看源码比看我写 的文字更有感觉。
之前会出现下载重复的bug,现在已经解决了。
8 源代码：
-
import re -
import requests -
from urllib import error -
from bs4 import BeautifulSoup -
import os -
num = 0 -
numPicture = 0 -
file = '' -
List = [] -
def Find(url): -
global List -
print('正在检测图片总数，请稍等.....') -
t = 0 -
i = 1 -
s = 0 -
while t < 1000: -
Url = url + str(t) -
try: -
Result = requests.get(Url, timeout=7) -
except BaseException: -
t = t + 60 -
continue -
else: -
result = Result.text -
pic_url = re.findall('"objURL":"(.*?)",', result, re.S) # 先利用正则表达式找到图片url -
s += len(pic_url) -
if len(pic_url) == 0: -
break -
else: -
List.append(pic_url) -
t = t + 60 -
return s -
def recommend(url): -
Re = [] -
try: -
html = requests.get(url) -
except error.HTTPError as e: -
return -
else: -
html.encoding = 'utf-8' -
bsObj = BeautifulSoup(html.text, 'html.parser') -
div = bsObj.find('div', id='topRS') -
if div is not None: -
listA = div.findAll('a') -
for i in listA: -
if i is not None: -
Re.append(i.get_text()) -
return Re -
def dowmloadPicture(html, keyword): -
global num -
# t =0 -
pic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 先利用正则表达式找到图片url -
print('找到关键词:' + keyword + '的图片，即将开始下载图片...') -
for each in pic_url: -
print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each)) -
try: -
if each is not None: -
pic = requests.get(each, timeout=7) -
else: -
continue -
except BaseException: -
print('错误，当前图片无法下载') -
continue -
else: -
string = file + r'\\' + keyword + '_' + str(num) + '.jpg' -
fp = open(string, 'wb') -
fp.write(pic.content) -
fp.close() -
num += 1 -
if num >= numPicture: -
return -
if __name__ == '__main__': # 主函数入口 -
word = input("请输入搜索关键词(可以是人名，地名等): ") -
#add = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=%E5%BC%A0%E5%A4%A9%E7%88%B1&pn=120' -
url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn=' -
tot = Find(url) -
Recommend = recommend(url) # 记录相关推荐 -
print('经过检测%s类图片共有%d张' % (word, tot)) -
numPicture = int(input('请输入想要下载的图片数量 ')) -
file = input('请建立一个存储图片的文件夹，输入文件夹名称即可') -
y = os.path.exists(file) -
if y == 1: -
print('该文件已存在，请重新输入') -
file = input('请建立一个存储图片的文件夹，)输入文件夹名称即可') -
os.mkdir(file) -
else: -
os.mkdir(file) -
t = 0 -
tmp = url -
while t < numPicture: -
try: -
url = tmp + str(t) -
result = requests.get(url, timeout=10) -
print(url) -
except error.HTTPError as e: -
print('网络错误，请调整网络后重试') -
t = t+60 -
else: -
dowmloadPicture(result.text, word) -
t = t + 60 -
print('当前搜索结束，感谢使用') -
print('猜你喜欢') -
for re in Recommend: -
print(re, end=' ')
好了，就先写这么多。欢迎大家转载。如有问题，欢迎给我留言。
后记：最近发现我队友在看一本关于爬虫的书，看完之后，他的爬虫技术就登峰造极了，我只能触目远望了，推荐给大家这本书吧。
链接：https://pan.baidu.com/s/1IXYZW_mxIxDoEkmmrQTnNw
提取码：c7li
复制这段内容后打开百度网盘手机App，操作更方便哦
2019年4月2日 第3次更新
这次有网友想要爬取大量的图片作为训练材料。他想要300种不同的图片，每种100张，如果还是按之前的代码去运行，就需要他输入300次图片的名称，这样是非常浪费时间的。所以这里对代码进行一些改进，你只需要把你想要爬取图片的名称，编辑到一个txt文件，然后输入你需要的数量就行。
使用方法：
首先将你需要下载的图片名称写到一个txt文本上，文本的名字叫name即可。
按行输入，每行放一个名字。
将name.txt放入和你当前python文件同一目录下即可。
代码：
-
import re -
import requests -
from urllib import error -
from bs4 import BeautifulSoup -
import os -
num = 0 -
numPicture = 0 -
file = '' -
List = [] -
def Find(url): -
global List -
print('正在检测图片总数，请稍等.....') -
t = 0 -
i = 1 -
s = 0 -
while t < 1000: -
Url = url + str(t) -
try: -
Result = requests.get(Url, timeout=7) -
except BaseException: -
t = t + 60 -
continue -
else: -
result = Result.text -
pic_url = re.findall('"objURL":"(.*?)",', result, re.S) # 先利用正则表达式找到图片url -
s += len(pic_url) -
if len(pic_url) == 0: -
break -
else: -
List.append(pic_url) -
t = t + 60 -
return s -
def recommend(url): -
Re = [] -
try: -
html = requests.get(url) -
except error.HTTPError as e: -
return -
else: -
html.encoding = 'utf-8' -
bsObj = BeautifulSoup(html.text, 'html.parser') -
div = bsObj.find('div', id='topRS') -
if div is not None: -
listA = div.findAll('a') -
for i in listA: -
if i is not None: -
Re.append(i.get_text()) -
return Re -
def dowmloadPicture(html, keyword): -
global num -
# t =0 -
pic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 先利用正则表达式找到图片url -
print('找到关键词:' + keyword + '的图片，即将开始下载图片...') -
for each in pic_url: -
print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each)) -
try: -
if each is not None: -
pic = requests.get(each, timeout=7) -
else: -
continue -
except BaseException: -
print('错误，当前图片无法下载') -
continue -
else: -
string = file + r'\\' + keyword + '_' + str(num) + '.jpg' -
fp = open(string, 'wb') -
fp.write(pic.content) -
fp.close() -
num += 1 -
if num >= numPicture: -
return -
if __name__ == '__main__': # 主函数入口 -
tm = int(input('请输入每类图片的下载数量 ')) -
numPicture = tm -
line_list = [] -
with open('./name.txt', encoding='utf-8') as file: -
line_list = [k.strip() for k in file.readlines()] # 用 strip()移除末尾的空格 -
for word in line_list: -
url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn=' -
tot = Find(url) -
Recommend = recommend(url) # 记录相关推荐 -
print('经过检测%s类图片共有%d张' % (word, tot)) -
file = word + '文件' -
y = os.path.exists(file) -
if y == 1: -
print('该文件已存在，请重新输入') -
file = word+'文件夹2' -
os.mkdir(file) -
else: -
os.mkdir(file) -
t = 0 -
tmp = url -
while t < numPicture: -
try: -
url = tmp + str(t) -
result = requests.get(url, timeout=10) -
print(url) -
except error.HTTPError as e: -
print('网络错误，请调整网络后重试') -
t = t + 60 -
else: -
dowmloadPicture(result.text, word) -
t = t + 60 -
numPicture = numPicture + tm -
print('当前搜索结束，感谢使用')
如遇到bug或者有新的需求，可以给我留言，或者微信(15087581161)联系我(记得备注)。