Python每日一练(23)-基于百度 AI 识别抓取的表情包

目录

  • 一、百度 AI 开放平台的 Key 申请方法
  • 二、抓取贴吧表情包
  • 三、使用 Baidu-aip

本文先抓取网络上的表情图像,然后利用百度 AI 识别表情包上的说明文字,并利用表情文字重命名文件,这样当发表情包时,不需要逐个打开查找,直接根据文件名选择表情并发送。

一、百度 AI 开放平台的 Key 申请方法

本例使用了百度 AI 的 API 接口实现文字识别。因此需要先申请对应的 API 使用权限,具体步骤如下:

  1. 在网页浏览器(比如 Chrome 或者火狐) 的地址栏中输入 ai.baidu.com,进入到百度云 AI 的官网,在该页面中单击右上角的 控制台 按钮。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第1张图片
  2. 进入到百度云 AI 官网的登录页面,输入百度账号和密码,如果没有,可以单击 立即注册 超链接进行注册申请。
  3. 登录成功后,进入到百度云 AI 官网的控制台页面,单击左侧导航的 产品服务,展开列表,在列表的最右侧下方看到有 人工智能 的分类,然后选择 图像识别,或者直接选择 文字识别,如下图所示。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第2张图片
  4. 进入图像识别一概览 页面,要使用百度云 AI 的 API,首先需要申请权限,申请权限之前需要先创建自己的应用,因此单击 创建应用按钮,如下图所示。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第3张图片
  5. 进入到 创建应用 页面,该页面中需要输入应用的名称,选择应用类型,并选择接口,注意:这里的接口可以多选择一些,把后期可能用到的接口全部选择上,这样,在开发其他实例时,就可以直接使用了;选择完接口后,选择文字识别包名,这里选择 不需要,输入应用描述,单击 立即创建 按钮,如下图所示。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第4张图片
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第5张图片
    在这里插入图片描述
  6. 创建完成后,单击 返回应用列表 按钮,页面跳转到应用列表页面,在该页面中即可查看创建的应用,以及百度云自动为您分配的 AppID,API Key,Secret Key,这些值根据应用的不同而不同,因此一定要保存好,以便开发时使用。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第6张图片

二、抓取贴吧表情包

本例在百度贴吧中找到了一些自制的表情包:https://tieba.baidu.com/p/5522091060
现在想把图片都爬下来,具体操作步骤如下:

  1. Network 抓包看下返回的数据是否和 Element 一致,即是否包含想要的数据,而不是通过 JS 黑魔法进行加载的。复制下第一个图的图片链接,到 Network 选项卡里的 Response 里查找一下。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第7张图片

  2. 在 Network 抓包中没有发现 Ajax 动态加载数据的踪迹。

  3. 点击第二页,抓包发现了 Ajax 加载的痕迹。
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第8张图片
    以第一个图的 url 搜下,同样可以找到。

  4. 三个参数猜测 pn 为 page_number,即页数,postman 或者自己写代码模拟请求,记得塞入 Host 和 X-Requested-With,验证 pn=1 是否为第一页数据,验证通过,即所有页面数据都可以通过这个接口拿到。

  5. 先加载拿到末页是第几页,然后走一波循环遍历即可解析数据获得图片 url,写入文件,使用多个线程进行下载,详细代码如下。

    # 抓取百度贴吧某个帖子里的所有图片
    import requests
    import time
    import threading
    import queue
    from bs4 import BeautifulSoup
    import chardet
    import os
    
    tiezi_url = "https://tieba.baidu.com/p/5522091060"
    headers = {
           
        'Host': 'tieba.baidu.com',
        'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KH'
                      'TML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
    }
    pic_save_dir = 'tiezi_pic/'
    if not os.path.exists(pic_save_dir):  # 判断文件夹是否存在,不存在就创建
        os.makedirs(pic_save_dir)
    
    pic_urls_file = 'tiezi_pic_urls.txt'
    download_q = queue.Queue()  # 下载队列
    
    
    # 获得页数
    def get_page_count():
        try:
            resp = requests.get(tiezi_url, headers=headers, timeout=5)
            if resp is not None:
                resp.encoding = chardet.detect(resp.content)['encoding']
                html = resp.text
                soup = BeautifulSoup(html, 'lxml')
                a_s = soup.find("ul", attrs={
           'class': 'l_posts_num'}).findAll("a")
                for a in a_s:
                    if a.get_text() == '尾页':
                        return a['href'].split('=')[1]
        except Exception as e:
            print(str(e))
    
    
    # 下载线程
    class PicSpider(threading.Thread):
        def __init__(self, t_name, func):
            self.func = func
            threading.Thread.__init__(self, name=t_name)
    
        def run(self):
            self.func()
    
    
    # 获得每页里的所有图片URL
    def get_pics(count):
        params = {
           
            'pn': count,
            'ajax': '1',
            't': int(time.time())
        }
        try:
            resp = requests.get(tiezi_url, headers=headers, timeout=5, params=params)
            if resp is not None:
                resp.encoding = chardet.detect(resp.content)['encoding']
                html = resp.text
                soup = BeautifulSoup(html, 'lxml')
                imgs = soup.findAll('img', attrs={
           'class': 'BDE_Image'})
                for img in imgs:
                    print(img['src'])
                    with open(pic_urls_file, 'a') as fout:
                        fout.write(img['src'])
                        fout.write('\n')
                return None
        except Exception:
            pass
    
    
    # 下载线程调用的方法
    def down_pics():
        global download_q
        while not download_q.empty():
            data = download_q.get()
            download_pic(data)
            download_q.task_done()
    
    
    # 下载调用的方法
    def download_pic(img_url):
        try:
            resp = requests.get(img_url, headers=headers, timeout=10)
            if resp.status_code == 200:
                print("下载图片:" + img_url)
                pic_name = img_url.split("/")[-1][0:-1]
                with open(pic_save_dir + pic_name, "wb+") as f:
                    f.write(resp.content)
    
        except Exception as e:
            print(e)
    
    
    if __name__ == '__main__':
        print("检索判断链接文件是否存在:")
        if not os.path.exists(pic_urls_file):
            print("不存在,开始解析帖子...")
            page_count = get_page_count()
            if page_count is not None:
                headers['X-Requested-With'] = 'XMLHttpRequest'
                for page in range(1, int(page_count) + 1):
                    get_pics(page)
            print("链接已解析完毕!")
            headers.pop('X-Requested-With')
        else:
            print("存在")
        print("开始下载图片~~~~")
        headers['Host'] = 'imgsa.baidu.com'
        fo = open(pic_urls_file, "r")
        pic_list = fo.readlines()
    
        threads = []
        for pic in pic_list:
            download_q.put(pic)
        for i in range(0, len(pic_list)):
            t = PicSpider(t_name='线程' + str(i), func=down_pics)
            t.daemon = True
            t.start()
            threads.append(t)
        download_q.join()
        for t in threads:
            t.join()
        print("图片下载完毕")
    

    运行结果:
    Python每日一练(23)-基于百度 AI 识别抓取的表情包_第9张图片
    下面通过 OCR 文字识别技术,直接把表情里的文字提出来,然后来命名图片,这样就可以直接文件搜索表情关键字,可以快速找到需要的表情图片。使用谷歌的 OCR 文字识别引擎:Tesseract,对于此类大图片小文字,不太适合,识别率太低,甚至无法识别,这时使用百度云 OCR 比较合适,它能够自动定位到图片中具体位置,并找出图片中所有的文字。

三、使用 Baidu-aip

申请百度 AI 的应用 key 之后,就可以在本地系统中安装 Baidu-aip,代码如下:

pip install baidu-aip 

先识别一张图片,看看效果如何:

from aip import AipOcr

# 新建一个AipOcr对象
config = {
     
    'appId': '填写自己的appId',
    'apiKey': '填写自己的apiKey',
    'secretKey': '填写自己的secretKey'
}
client = AipOcr(**config)


# 识别图片里的文字
def img_to_str(image_path):
    # 读取图片
    with open(image_path, 'rb') as fp:
        image = fp.read()

        # 调用通用文字识别, 图片参数为本地图片
    result = client.basicGeneral(image)
    # 返回拼接结果
    if 'words_result' in result:
        return '\n'.join([w['words'] for w in result['words_result']])


if __name__ == '__main__':
    print(img_to_str('tiezi_pic/5c0ddb1e4134970aebd593e29ecad1c8a5865dbd.jpg'))

运行程序,结果如下图所示:
Python每日一练(23)-基于百度 AI 识别抓取的表情包_第10张图片
百度 AI 返回的是一个 JSON 格式数据,如下所示。返回一个字典对象,包含 log_id、words_result_num、words_result 三个键,其中 words_result_num 表示识别的文本行数,words_result 是一个列表,每个列表项目记录一条识别的文本,每个项目返回一个字典对象,包含 words 键,words 表示识别的文本。

{'words_result': [{'words': 'o。o'}, {'words': '6226-16:59'}, {'words': '绝望jpg'}], 'log_id': 1393611954748129280, 'words_result_num': 3}
o。o
6226-16:59
绝望jpg

由于每个图片中可能包含很多文字信息,如水印的日期文字,以及个别特殊的文字符号被误解析,我们需要提出的是汉字或字母信息,同时可能会包含多条汉字信息,本例选择汉字或字母最长的一条来命名文件。完整的示例代码如下:

# 识别图片文字,批量命名图片文字

import os
from aip import AipOcr
import re
import datetime

# 新建一个AipOcr对象
config = {
     
    'appId': '填写自己的appId',
    'apiKey': '填写自己的apiKey',
    'secretKey': '填写自己的secretKey'
}
client = AipOcr(**config)

pic_dir = r"tiezi_pic/"


# 读取图片
def get_file_content(file_path):
    with open(file_path, 'rb') as fp:
        return fp.read()


# 识别图片里的文字
def img_to_str(image_path):
    image = get_file_content(image_path)
    # 调用通用文字识别, 图片参数为本地图片
    result = client.basicGeneral(image)
    # 结果拼接返回
    words_list = []
    if 'words_result' in result:
        if len(result['words_result']) > 0:
            for w in result['words_result']:
                words_list.append(w['words'])
            file_name = get_longest_str(words_list)
            print(file_name)
            file_dir_name = pic_dir + str(file_name).replace("/", "") + '.jpg'
            if os.path.exists(file_dir_name):  # 处理文件重名问题
                sec = datetime.datetime.now().microsecond  # 获取当前毫秒时值
                file_dir_name = pic_dir + str(file_name).replace("/", "") + str(sec) + '.jpg'
            try:
                os.rename(image_path, file_dir_name)
            except Exception:
                print(" 重命名失败:", image_path, " => ", file_name)


# 获取字符串列表中最长的字符串
def get_longest_str(str_list):
    pat = re.compile(r'[\u4e00-\u9fa5A-Za-z]+')
    str = max(str_list, key=hanzi_len)
    result = pat.findall(str)
    return ''.join(result)


def hanzi_len(item):
    pat = re.compile(r'[\u4e00-\u9fa5]+')
    sum = 0
    for i in item:
        if pat.search(i):
            sum += 1
    return sum


# 遍历某个文件夹下所有图片
def query_picture(dir_path):
    pic_path_list = []
    for filename in os.listdir(dir_path):
        pic_path_list.append(dir_path + filename)
    return pic_path_list


if __name__ == '__main__':
    pic_list = query_picture(pic_dir)
    if len(pic_list) > 0:
        for i in pic_list:
            img_to_str(i)

运行程序,结果如下图所示:

你可能感兴趣的:(Python,文字识别,爬虫,AI)