Python爬虫——使用socket模块进行图片下载

什么是socket

Socket 是一种通信机制，用于实现网络上的进程间通信。它是一种应用层协议，通常基于 TCP/IP 协议栈，可以在不同的计算机之间进行通信。Socket 本质上是一个文件描述符，它提供了一组用于网络通信的 API 接口，可以进行数据传输、建立连接、监听端口等操作。

使用 Socket 可以实现不同计算机之间的进程间通信，例如客户端和服务器之间的通信，也可以实现同一计算机内不同进程之间的通信。Socket 可以支持不同的传输协议，例如 TCP 和 UDP，可以根据需要选择不同的协议来进行通信。

在 Python 中，使用 socket 模块可以实现 Socket 编程，可以创建客户端和服务器端程序，进行网络通信。Socket 编程可以用于开发网络应用程序，例如网络爬虫、聊天室、文件传输等。

方法	描述
connect( (host,port) )	host代表服务器主机名或IP，port代表服务器进程所绑定的端口号。
send	发送请求信息
recv	接收数据

爬虫的工作流程

爬虫的工作流程

1. 获取到资源地址：

爬虫首先要做的工作就是获取数据的资源地址，有了准确的地址之后我们才能数据去进行发送请求

2. 发送请求获取数据

第二步要做的工作就是获取网页，这里就是获取网页的源代码。源代码里包含了网页的部分有用信息，所以 只要把源代码获取下来，就可以从中提取想要的信息了。

3. 反爬虫处理：

有些网站会采取反爬虫措施，例如设置访问频率限制、验证码等，需要针对这些措施进行处理，以保证爬虫程序的正常运行。可以使用 Python 的验证码识别等技术来处理反爬虫措施。

4. 提取信息：

获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据。首先，最通用的方法便是采用正则表达式提取，这是一个万能的方法，但是在构造正则表达式时比较复杂且容易出错。 另外，由于网页的结构有一定的规则，所以还有一些根据网页节点属性、CSS选择器或 XPath来提取网页信息的库，如Beautiful Soup、pyquery、lxml 等。使用这些库，我们可以高效快速地从中提取网页信 息，如节点的属性、文本值等。 提取信息是爬虫非常重要的部分，它可以使杂乱的数据变得条理清晰，以便我们后续处理和分析数据。

5. 保存数据：

提取信息后，我们一般会将提取到的数据保存到某处以便后续使用。这里保存形式有多种多样，如可以简单保 存为 TXT 文本或 JSON 文本，也可以保存到数据库，如 MySQL 和 MongoDB 等，也可保存至远程服务 器，如借助 SFTP 进行操作等。

6. 爬虫控制：

爬虫程序需要控制爬取的网页数量和频率，以避免对目标网站造成过大的负荷。可以使用 Python 的多线程或者多进程来实现并发爬取，也可以使用时间控制来控制爬取频率。

7. 数据分析：

获取到数据后，可以进行数据分析和处理，例如数据可视化、机器学习、自然语言处理等，以得到更有价值的信息。

socket爬取图片

为什么能用socket能下载图片

使用 Socket 可以下载图片的原因是因为 HTTP 协议是基于 Socket 的应用层协议，它使用 TCP/IP 协议族来传输数据。在 HTTP 协议中，客户端通过 Socket 建立连接到服务器，发送请求，服务器接收请求并返回响应，客户端接收响应并处理响应数据。

由于 HTTP 协议是基于 Socket 的，所以使用 Socket 可以直接发送 HTTP 请求和接收 HTTP 响应，实现数据的传输和下载。使用 Socket 下载图片需要手动构造 HTTP 请求和解析 HTTP 响应，需要编写更多的代码来处理数据传输和错误处理，但是相对于其他下载方式，使用 Socket 可以更加灵活和自定义，可以实现更多的功能和应用场景。

socket下载图片和request下载图片的区别

Socket 和 Request 都可以用于下载图片，但是它们的实现方式和用途略有不同。

Socket 是一种底层的网络通信协议，它可以在应用层和传输层之间建立连接，进行数据传输。使用 Socket 下载图片需要手动构建 HTTP 请求和解析 HTTP 响应，需要编写更多的代码来处理数据传输和错误处理。Socket 更适合于底层网络通信的应用，如实现自定义协议、网络游戏等。

Request 是一个 Python 库，它封装了 HTTP 请求和响应的处理，可以方便地进行网络请求。使用 Request 下载图片只需要简单的代码就可以完成，而且可以方便地设置请求头、请求参数等信息。Request 更适合于开发网络爬虫、数据采集等应用。

总的来说，使用 Socket 下载图片更加底层、灵活，但需要编写更多的代码；使用 Request 下载图片更加高层、方便，但可能会有一些限制。选择使用哪种方式，取决于具体的需求和应用场景。

用代码举例说明：

使用 Socket下载图片：

import socket

# 构造 HTTP 请求
request = b"GET /images/test.jpg HTTP/1.1\r\nHost: example.com\r\n\r\n"

# 建立连接并发送请求
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
s.connect(("example.com", 80))
s.send(request)

# 接收响应并保存图片
response = s.recv(4096)
while response:
    if b"Content-Type: image/jpeg" in response:
        with open("test.jpg", "wb") as f:
            f.write(response)
            break
    response = s.recv(4096)

# 关闭连接
s.close()

使用 Request 下载图片：

import requests

# 发送请求并保存图片
response = requests.get("http://example.com/images/test.jpg")
with open("test.jpg", "wb") as f:
    f.write(response.content)

可以看到，使用 Request 下载图片更加简单和方便，而使用 Socket 则需要手动构建 HTTP 请求和解析 HTTP 响应，需要更多的代码和处理过程。

使用socket下载一张图片

以图片http://image11.m1905.cn/uploadfile/2021/0922/thumb_0_647_500_20210922030733993182.jpg为例。
想要使用socket下载这张图片，具体步骤如下：

1. 获取到资源地址 url。

2. 创建 Socket 客户端对象 client，并连接到服务器 image11.m1905.cn 的端口 80。

3. 构造 HTTP 请求，包括请求方法、请求地址、请求协议版本、请求头等信息，并发送请求。

4. 循环接收服务器响应，并将响应数据添加到二进制对象 result 中。

5. 使用正则表达式提取响应数据中的图片数据，即去掉响应头部分。

6. 将图片数据存储到本地文件中，即下载图片到本地。

代码如下：

import socket
import re
import time

# 获取到资源地址
url = 'http://image11.m1905.cn/uploadfile/2021/0922/thumb_0_647_500_20210922030733993182.jpg'

start = time.time()

# 创建套接字对象
client = socket.socket()

# 创建连接
client.connect(('image11.m1905.cn', 80))

# 构造http请求
http_res = 'GET ' + url + ' HTTP/1.0\r\nHost: image11.m1905.cn\r\nUser-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36\r\n\r\n'
# print(http_res)

# 发送请求
client.send(http_res.encode())
# 建立一个二进制对象用来存储我们得到的数据

result = b''
data = client.recv(1024)

# 循环接收响应数据 添加到bytes类型
while data:
    result += data
    data = client.recv(1024)
# print(result)

# 提取数据
# re.S使 . 匹配包括换行在内的所有字符去掉响应头
images = re.findall(b'\r\n\r\n(.*)', result, re.S)
# print(images[0])

# 打开一个文件，将我们读取到的数据存入进去，即下载到本地我们获取到的图片
with open('小姐姐.png', 'wb')as f:
    f.write(images[0])

end_time = time.time()  # 记录结束时间
elapsed_time = end_time - start  # 计算代码执行时间
print(f'All images downloaded successfully in {elapsed_time:.2f} seconds')

使用socket下载多张图片

假设我们想使用socket下载多张图片，我这里给出两种实现方法。

方法1

将需要下载的url做成一个列表，再使用split函数将url中的/进行分割，然后通过切片方法得到url中的相对路径和host值，最后通过循环遍历url列表，达到下载多张图片的效果。代码如下

import socket
import re
import time
start = time.time()
# 获取到的资源地址
urls = [
    'https://pic.netbian.com/uploads/allimg/220211/004115-1644511275bc26.jpg',
    'https://pic.netbian.com/uploads/allimg/220215/233510-16449393101c46.jpg',
    'https://pic.netbian.com/uploads/allimg/211120/005250-1637340770807b.jpg'
]

# 创建连接
for url in urls:
    # 解析URL
    parts = url.split('/')  # ['https:', '', 'pic.netbian.com', 'uploads', 'allimg', '220211', '004115-1644511275bc26.jpg']
    host = parts[2]  # pic.netbian.com
    path = '/' + '/'.join(parts[3:])  # /uploads/allimg/220211/004115-1644511275bc26.jpg
    # print(parts)
    # print(host)
    # print(path)

    # 创建套接字对象连接到主机
    client = socket.socket()
    client.connect((host, 80))

    # 构造HTTP请求
    http_req = f'GET {path} HTTP/1.1\r\nHost: {host}\r\nuser-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) ' \
               f'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36\r\nConnection: close\r\n\r\n '
    # print(http_req)
    # 发送请求
    client.sendall(http_req.encode())

    # 接受响应数据
    result = b''
    data = client.recv(1024)
    while data:
        result += data
        data = client.recv(1024)

    # 提取图像数据
    images = re.findall(b'\r\n\r\n(.*)', result, re.S)
    # print(images[0])

    # 写入文件
    if images:
        with open(f'{parts[-1]}', 'wb') as f:
            f.write(images[0])
    else:
        print(f'No image data received for {url}')

    # 关闭连接
    client.close()

end_time = time.time()  # 记录结束时间
elapsed_time = end_time - start  # 计算代码执行时间
print(f'All images downloaded successfully in {elapsed_time:.2f} seconds')

方法2

通过创建线程池，使用多线程的方式同时下载所有图片。

代码如下：

import socket
import re
import multiprocessing
import time


def download_image(url):
    # 解析URL
    parts = url.split('/')
    host = parts[2]
    path = '/' + '/'.join(parts[3:])

    # 创建套接字对象连接到主机
    client = socket.socket()
    client.connect((host, 80))

    # 构造HTTP请求
    http_req = f'GET {path} HTTP/1.1\r\nHost: {host}\r\nuser-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) ' \
               f'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36\r\nConnection: close\r\n\r\n '

    # 发送请求
    client.sendall(http_req.encode())

    # 接受响应数据
    result = b''
    data = client.recv(1024)
    while data:
        result += data
        data = client.recv(1024)

    # 提取图像数据
    images = re.findall(b'\r\n\r\n(.*)', result, re.S)

    # 写入文件
    if images:
        with open(f'{parts[-1]}', 'wb') as f:
            f.write(images[0])
    else:
        print(f'No image data received for {url}')

    # 关闭连接
    client.close()


if __name__ == '__main__':
    start = time.time()
    urls = [
        'https://pic.netbian.com/uploads/allimg/220211/004115-1644511275bc26.jpg',
        'https://pic.netbian.com/uploads/allimg/220215/233510-16449393101c46.jpg',
        'https://pic.netbian.com/uploads/allimg/211120/005250-1637340770807b.jpg'
    ]

    # 创建进程池
    pool = multiprocessing.Pool(processes=3)

    # 同时下载所有图片
    pool.map(download_image, urls)

    # 关闭进程池
    pool.close()
    pool.join()

    end = time.time()
    elapsed_time = end - start  # 计算代码执行时间
    print(f'All images downloaded successfully in {elapsed_time:.2f} seconds')