Python 爬虫 + 人脸检测 —— 知乎高颜值图片抓取

1 数据源

知乎 话题『美女』下所有问题中回答所出现的图片

2 抓取工具

Python 3，并使用第三方库 Requests、lxml、AipFace，代码共 100 + 行

3 必要环境

Mac / Linux / Windows （Linux 没测过，理论上可以。Windows 之前较多反应出现异常，后查是 windows 对本地文件名中的字符做了限制，已使用正则过滤），无需登录知乎（即无需提供知乎帐号密码），人脸检测服务需要一个百度云帐号（即百度网盘 / 贴吧帐号）

4 人脸检测库

AipFace，由百度云 AI 开放平台提供，是一个可以进行人脸检测的 Python SDK。可以直接通过 HTTP 访问，免费使用

http://ai.baidu.com/ai-doc/FACE/fk3co86lr

5 检测过滤条件

• 过滤所有未出现人脸图片（比如风景图、未露脸身材照等）
• 过滤所有非女性（在抓取中，发现知乎男性图片基本是明星，故不考虑；存在 AipFace 性别识别不准的情况）
• 过滤所有非真实人物，比如动漫人物 （AipFace Human 置信度小于 0.6）
• 过滤所有颜值评分较低图片（AipFace beauty 属性小于 45，为了节省存储空间；再次声明，AipFace 评分无任何客观性）

在这里还是要推荐下我自己建的Python开发学习群:810735403

6 实现逻辑

• 通过 Requests 发起 HTTP 请求，获取『美女』下的部分讨论列表
• 通过 lxml 解析抓取到的每个讨论中 HTML，获取其中所有的 img 标签相应的 src 属性
• 通过 Requests 发起 HTTP 请求，下载 src 属性指向图片（不考虑动图）
• 通过 AipFace 请求对图片进行人脸检测
• 判断是否检测到人脸，并使用 『4 检测过滤条件』过滤
• 将过滤后的图片持久化到本地文件系统，文件名为 颜值 + 作者 + 问题名 + 序号
• 返回第一步，继续

7 抓取结果

直接存放在文件夹中（angelababy 实力出境）。另外说句，目前抓下来的图片，除 baby 外，88 分是最高分。个人对其中的排序表示反对，老婆竟然不是最高分




8 代码

• 8.1 直接使用 百度云 Python-SDK 代码 —— 已移除
• 8.2不使用 SDK，直接构造 HTTP 请求版本。直接使用这个版本有个好处，就是不依赖于 SDK 的版本（百度云现在有两个版本的接口 —— V2 和 V3。现阶段，百度云同时支持两种接口，所以直接使用 SDK 是没问题的。等以后哪一天百度不支持 V2 了，就务必升级
  SDK 或使用这个直接构造 HTTP 版本）

   #coding: utf-8

import time
import os
import re

import requests
from lxml import etree

from aip import AipFace

#百度云 人脸检测 申请信息
#唯一必须填的信息就这三行
APP_ID = "xxxxxxxx"
API_KEY = "xxxxxxxxxxxxxxxxxxxxxxxx"
SECRET_KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

# 文件存放目录名，相对于当前目录
DIR = "image"
# 过滤颜值阈值，存储空间大的请随意
BEAUTY_THRESHOLD = 45

#浏览器中打开知乎，在开发者工具复制一个，无需登录
#如何替换该值下文有讲述
AUTHORIZATION = "oauth c3cef7c66a1843f8b3a9e6a1e3160e20"

#以下皆无需改动

#每次请求知乎的讨论列表长度，不建议设定太长，注意节操
LIMIT = 5

#这是话题『美女』的 ID，其是『颜值』（20013528）的父话题
SOURCE = "19552207"

#爬虫假装下正常浏览器请求
USER_AGENT = "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.55.3 (KHTML, like Gecko) Version/5.1.5 Safari/534.55.3"
#爬虫假装下正常浏览器请求
REFERER = "https://www.zhihu.com/topic/%s/newest" % SOURCE
#某话题下讨论列表请求 url
BASE_URL = "https://www.zhihu.com/api/v4/topics/%s/feeds/timeline_activity"
#初始请求 url 附带的请求参数
URL_QUERY = "?include=data%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.is_normal%2Ccomment_count%2Cvoteup_count%2Ccontent%2Crelevant_info%2Cexcerpt.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cvoteup_count%2Ccomment_count%2Cvoting%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Dpeople%29%5D.target.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dquestion%29%5D.target.comment_count&limit=" + str(LIMIT)

#指定 url，获取对应原始内容 / 图片
def fetch_image(url):
    try:
        headers = {
                "User-Agent": USER_AGENT,
                "Referer": REFERER,
                "authorization": AUTHORIZATION
                }
        s = requests.get(url, headers=headers)
    except Exception as e:
        print("fetch last activities fail. " + url)
        raise e

    return s.content

#指定 url，获取对应 JSON 返回 / 话题列表
def fetch_activities(url):
    try:
        headers = {
                "User-Agent": USER_AGENT,
                "Referer": REFERER,
                "authorization": AUTHORIZATION
                }
        s = requests.get(url, headers=headers)
    except Exception as e:
        print("fetch last activities fail. " + url)
        raise e

    return s.json()

#处理返回的话题列表
def process_activities(datums, face_detective):
    for data in datums["data"]:

        target = data["target"]
        if "content" not in target or "question" not in target or "author" not in target:
            continue

        #解析列表中每一个元素的内容
        html = etree.HTML(target["content"])

        seq = 0

        #question_url = target["question"]["url"]
        question_title = target["question"]["title"]

        author_name = target["author"]["name"]
        #author_id = target["author"]["url_token"]

        print("current answer: " + question_title + " author: " + author_name)

        #获取所有图片地址
        images = html.xpath("//img/@src")
        for image in images:
            if not image.startswith("http"):
                continue
            s = fetch_image(image)
            
            #请求人脸检测服务
            scores = face_detective(s)

            for score in scores:
                filename = ("%d--" % score) + author_name + "--" + question_title + ("--%d" % seq) + ".jpg"
                filename = re.sub(r'(?u)[^-\w.]', '_', filename)
                #注意文件名的处理，不同平台的非法字符不一样，这里只做了简单处理，特别是 author_name / question_title 中的内容
                seq = seq + 1
                with open(os.path.join(DIR, filename), "wb") as fd:
                    fd.write(s)

            #人脸检测 免费，但有 QPS 限制
            time.sleep(2)

    if not datums["paging"]["is_end"]:
        #获取后续讨论列表的请求 url
        return datums["paging"]["next"]
    else:
        return None

def get_valid_filename(s):
    s = str(s).strip().replace(' ', '_')
    return re.sub(r'(?u)[^-\w.]', '_', s)

import base64
def detect_face(image, token):
    try:
        URL = "https://aip.baidubce.com/rest/2.0/face/v3/detect"
        params = {
                "access_token": token
                }
        data = {
                "face_field": "age,gender,beauty,qualities",
                "image_type": "BASE64",
                "image": base64.b64encode(image)
                }
        s = requests.post(URL, params=params, data=data)
        return s.json()["result"]
    except Exception as e:
        print("detect face fail. " + url)
        raise e

def fetch_auth_token(api_key, secret_key):
    try:
        URL = "https://aip.baidubce.com/oauth/2.0/token"
        params = {
                "grant_type": "client_credentials",
                "client_id": api_key,
                "client_secret": secret_key
                }
        s = requests.post(URL, params=params)
        return s.json()["access_token"]
    except Exception as e:
        print("fetch baidu auth token fail. " + url)
        raise e

def init_face_detective(app_id, api_key, secret_key):
    # client = AipFace(app_id, api_key, secret_key)
    # 百度云 V3 版本接口，需要先获取 access token   
    token = fetch_auth_token(api_key, secret_key)
    def detective(image):
        #r = client.detect(image, options)
        # 直接使用 HTTP 请求
        r = detect_face(image, token)
        #如果没有检测到人脸
        if r is None or r["face_num"] == 0:
            return []

        scores = []
        for face in r["face_list"]:
            #人脸置信度太低
            if face["face_probability"] < 0.6:
                continue
            #颜值低于阈值
            if face["beauty"] < BEAUTY_THRESHOLD:
                continue
            #性别非女性
            if face["gender"]["type"] != "female":
                continue
            scores.append(face["beauty"])

        return scores

    return detective

def init_env():
    if not os.path.exists(DIR):
        os.makedirs(DIR)

init_env()
face_detective = init_face_detective(APP_ID, API_KEY, SECRET_KEY)

url = BASE_URL % SOURCE + URL_QUERY
while url is not None:
    print("current url: " + url)
    datums = fetch_activities(url)
    url = process_activities(datums, face_detective)
    #注意节操，爬虫休息间隔不要调小
    time.sleep(5)


# vim: set ts=4 sw=4 sts=4 tw=100 et:

9 运行准备

• 安装 Python 3，Download Python
• 安装 requests、lxml、baidu-aip 库，都可以通过 pip 安装，一行命令
• 申请百度云检测服务，免费。人脸识别-百度AI
  
  
  
  将 AppID ApiKek SecretKey 填写到 代码 中
• （可选）配置自定义信息，如图片存储目录、颜值阈值、人脸置信度等
• （可选）若请求知乎失败，返回如下。需填写
  AUTHORIZATION，可从开发者工具中获取（如下图，换了几个浏览器，目前没登录情况该值都是一样的。知乎对爬虫的态度比较开放，不知道后续是否会更换）

{
    "error": {
        "message": "ZERR_NO_AUTH_TOKEN",
        "code": 100,
        "name": "AuthenticationInvalidRequest"
    }
}

Chrome 浏览器；找一个知乎链接点进去，打开开发者工具，查看 HTTP 请求 header；无需登录

 - 运行 ^*^

10 结语

因是人脸检测，所以可能有些福利会被筛掉。百度图像识别 API 还有一个叫做色情识别。这个 API 可以识别不可描述以及性感指数程度，可以用这个 API 来找福利

https://cloud.baidu.com/product/imagecensoring

• 如果实在不想申请百度云服务，可以直接把人脸检测部分注释掉，当做单纯的爬虫使用
• 人脸检测部分可以替换成其他厂商服务或者本地模型，这里用百度云是因为它不要钱
• 抓了几千张照片，效果还是挺不错的。有兴趣可以把代码贴下来跑跑试试
• 这边文章只是基础爬虫 + 数据过滤来获取较高质量数据的示例，希望有兴趣者可以 run
  下，代码里有很多地方可以很容易的修改，从最简单的数据源话题变更、抓取数据字段增加和删除到图片过滤条件修改都很容易。如果再稍微花费时间，变更为抓取某人动态（比如轮子哥，数据质量很高）、探索
  HTTP 请求中哪些 header 和 query
  是必要的，文中代码都只需要非常局部性的修改。至于人脸探测，或者其他机器学习接口，可以提供非常多的功能用于数据过滤，但哪些过滤是具备高可靠性，可信赖的且具备可用性，这个大概是经验和反复试验，这就是额外的话题了；顺便希望大家有良好的编码习惯
• 最后再次声明，颜值得分以及性别过滤存在 bad case，请勿认真对待

在这里还是要推荐下我自己建的Python开发学习群:810735403，群里都是学Python开发的，如果你正在学习Python ，欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2020最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴！

**以下内容无用，为本篇博客被搜索引擎抓取使用
(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)
python 是干什么的 零基础学 python 要多久 python 为什么叫爬虫
python 爬虫菜鸟教程 python 爬虫万能代码 python 爬虫怎么挣钱
python 基础教程 网络爬虫 python python 爬虫经典例子
python 爬虫
(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(￣︶￣)(￣︶￣)
以上内容无用，为本篇博客被搜索引擎抓取使用