获取百度图片(正则表达式)

在爬取百度图片的过程中，因为自己写的是转成Json的格式，但是在爬取的过程中会出现各种各样的错误，最终躺了！还是使用正则表达式比较稳。

import requests
import os
import re


def get_images_from_baidu(keyword, page_num, save_dir):
    # UA 伪装：当前爬取信息伪装成浏览器
    # 将 User-Agent 封装到一个字典中
    # 【（网页右键 → 审查元素）或者 F12】 → 【Network】 → 【Ctrl+R】 → 左边选一项，右边在 【Response Hearders】 里查找
    header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
    # 请求的 url
    url = 'https://image.baidu.com/search/acjson?'
    n = 0
    for pn in range(0, 30 * page_num, 30):
        # 请求参数
        param = {'tn': 'resultjson_com',
                 # 'logid': '7603311155072595725',
                 'ipn': 'rj',
                 'ct': 201326592,
                 'is': '',
                 'fp': 'result',
                 'queryWord': keyword,
                 'cl': 2,
                 'lm': -1,
                 'ie': 'utf-8',
                 'oe': 'utf-8',
                 'adpicid': '',
                 'st': -1,
                 'z': '',
                 'ic': '',
                 'hd': '',
                 'latest': '',
                 'copyright': '',
                 'word': keyword,
                 's': '',
                 'se': '',
                 'tab': '',
                 'width': '',
                 'height': '',
                 'face': 0,
                 'istype': 2,
                 'qc': '',
                 'nc': '1',
                 'fr': '',
                 'expermode': '',
                 'force': '',
                 'cg': '',    # 这个参数没公开，但是不可少
                 'pn': pn,    # 显示：30-60-90
                 'rn': '30',  # 每页显示 30 条
                 'gsm': '1e',
                 '1618827096642': ''
                 }
        request = requests.get(url=url, headers=header, params=param)
        if request.status_code == 200:
            print('Request success.')
        request.encoding = 'utf-8'
        # 正则方式提取图片链接
        html = request.text
        image_url_list = re.findall('"thumbURL":"(.*?)",', html, re.S)
        print(image_url_list)
        # # 换一种方式
        # request_dict = request.json()
        # info_list = request_dict['data']
        # # 看它的值最后多了一个，删除掉
        # info_list.pop()
        # image_url_list = []
        # for info in info_list:
        #     image_url_list.append(info['thumbURL'])

        if not os.path.exists(save_dir):
            os.makedirs(save_dir)

        for image_url in image_url_list:
            image_data = requests.get(url=image_url, headers=header).content
            with open(os.path.join(save_dir, f'{n+1:06d}.jpg'), 'wb') as fp:
                fp.write(image_data)
            n = n + 1


if __name__ == '__main__':

    keywords=['艾叶植物','白扁豆植物','百部植物','百合植物','白花蛇舌草','白蔻植物','白茅根植物','白芍植物','白头翁植物','白术植物',
              '柏子仁植物','巴戟天植物','板蓝根植物','半夏植物','北沙参植物','苍术植物','草果植物','草蔻植物','侧柏叶植物','柴胡植物',
              '陈皮植物','赤芍植物','穿心莲植物','党参植物，','丹参植物','大青叶植物','大血藤植物','地榆植物','杜仲植物','佛手植物',
              '茯苓植物','覆盆子植物','附子植物','甘草植物','葛根植物','枸杞子植物','钩藤植物','贯众植物','合欢皮植物','何首乌植物',
              '红蔻植物','厚朴植物','槐花植物','黄柏植物','黄精植物','黄芪植物','火麻仁植物','虎杖植物','姜黄植物','荆芥植物','金钱草植物',
              '金银花植物','鸡血藤植物','决明子植物','苦参植物','莱菔子植物','连翘植物','灵芝植物','路路通植物','罗汉果植物','络石藤植物',
              '麦冬植物','麦芽植物','墨旱莲植物','牛膝植物','女贞子植物','佩兰植物','蒲公英植物','蒲黄植物','羌活植物','前胡植物','人参植物',
              '肉苁蓉植物','肉豆蔻植物','肉桂植物','桑葚植物','山药植物','山楂植物','山茱萸植物','射干植物','紫菀植物','紫花地丁植物',
              '竹茹植物','枳实植物','枳壳植物','知母植物','珍珠母植物','浙贝母植物','泽兰植物','玉竹植物','郁金植物','远志植物','薏苡仁植物',
              '茵陈植物','益母草植物','野菊花植物','续断植物','细辛植物','辛夷植物','小茴香植物','仙鹤草植物','香附植物','夏枯草植物',
              '乌梅植物','五加皮植物','菟丝子植物','通草植物','天麻植物','天冬植物','水红花子植物','首乌藤植物']
    for keyword in  keywords:
        save_dir = "../图片/"+keyword
        page_num = 20
        get_images_from_baidu(keyword, page_num, save_dir)
        print('Get images finished.')

转载：https://zhuanlan.zhihu.com/p/367325899