深度学习中,从网上下载大量的图片数据,肯定是必须的。作为python爬虫小白,记录一下此过程。
一、分析网页结构
1、在百度图片中输入狗,得到如下所示的网址
2、选择下一页时,发现只有pn和gsm的值发生了改变。
到目前为止,我知道的是:pn参数代表的是页数;word参数自然是关键词,需要转换编码格式。
gsm的值貌似随意改也没什么影响。有一种说法是gsm:表示pn的十六进制值 参考博文
3、所以,可以拼接出page请求的URL,代码如下:
def getPage(keyword,page,n): page=page*n keyword=urllib.parse.quote(keyword, safe='/') url_begin= "http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=" url = url_begin+ keyword + "&pn=" +str(page) + "&gsm="+str(hex(page))+"&ct=&ic=0&lm=-1&width=0&height=0" return url
二、找到网页中的图片地址
1、右键 查看网页源代码,分析JSON数据可知,其中的字段objURL,即表示了原图的下载地址。
2、根据URL地址,得到图片地址的代码为:
def get_onepage_urls(onepageurl): try: html = requests.get(onepageurl).text except Exception as e: print(e) pic_urls = [] return pic_urls pic_urls = re.findall('"objURL":"(.*?)",', html, re.S) return pic_urls
三、下载图片并保存
代码如下:
def down_pic(pic_urls): """给出图片链接列表, 下载所有图片""" for i, pic_url in enumerate(pic_urls): try: pic = requests.get(pic_url, timeout=15) string =str(i + 1) + '.jpg' with open(string, 'wb') as f: f.write(pic.content) print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url))) except Exception as e: print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url))) print(e) continue
四、完整的代码
# coding=utf-8 """根据搜索词下载百度图片""" import re import sys import urllib import requests def getPage(keyword,page,n): page=page*n keyword=urllib.parse.quote(keyword, safe='/') url_begin= "http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=" url = url_begin+ keyword + "&pn=" +str(page) + "&gsm="+str(hex(page))+"&ct=&ic=0&lm=-1&width=0&height=0" return url def get_onepage_urls(onepageurl): try: html = requests.get(onepageurl).text except Exception as e: print(e) pic_urls = [] return pic_urls pic_urls = re.findall('"objURL":"(.*?)",', html, re.S) return pic_urls def down_pic(pic_urls): """给出图片链接列表, 下载所有图片""" for i, pic_url in enumerate(pic_urls): try: pic = requests.get(pic_url, timeout=15) string =str(i + 1) + '.jpg' with open(string, 'wb') as f: f.write(pic.content) print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url))) except Exception as e: print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url))) print(e) continue if __name__ == '__main__': keyword = '狗' # 关键词, 改为你想输入的词即可, 相当于在百度图片里搜索一样 page_begin=0 page_number=30 image_number=3 all_pic_urls = [] while 1: if page_begin>image_number: break print("第%d次请求数据",[page_begin]) url=getPage(keyword,page_begin,page_number) onepage_urls= get_onepage_urls(url) page_begin += 1 all_pic_urls.extend(onepage_urls) down_pic(list(set(all_pic_urls)))
五、参考博文