Python简单图片爬虫

经常在逛知乎，有时候希望把一些问题的图片集中保存起来。于是就有了这个程序。这是一个非常简单的图片爬虫程序，只能爬取已经刷出来的部分的图片。由于对这一部分内容不太熟悉，所以只是简单说几句然后记录代码，不做过多的讲解。感兴趣的可以直接拿去用。亲测对于知乎等网站是可用的。

上一篇分享了通过url打开图片的方法，目的就是先看看爬取到的图片时什么样，然后再筛选一下保存。

这里用到了requests库来获取页面信息，需要注意的是，获取页面信息的时候需要一个header，用以把程序伪装成浏览器去访问服务器，不然可能会被服务器拒绝。然后用BeautifulSoup来过滤多余信息得到图片地址。得到图片后，根据图片的大小过滤掉一些头像、表情包之类的小图片。最后打开或者保存图片的时候选择就比较多了，opencv，skimage，PIL等都可以。

程序如下：

# -*- coding=utf-8 -*-
import requests as req
from bs4 import BeautifulSoup
from PIL import Image
from io import BytesIO
import os
from skimage import io

url = "https://www.zhihu.com/question/37787176"
headers = {
    
    'User-Agent' : 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Mobile Safari/537.36'}
response = req.get(url,headers=headers)
content = str(response.content)
#print content

soup = BeautifulSoup(content,'lxml')
images = soup.find_all('img')
print u"共有%d张图片" % len(images)

if not os.path.exists("images"):
    os.mkdir("images")

for i in range(len(images)):
    img = images[i]
    print u"正在处理第%d张图片..." % (i+1)
    img_src = img.get('src')
    if img_src.startswith("http"):
        ## use PIL
        '''
        print img_src
        response = req.get(img_src,headers=headers)
        image = Image.open(BytesIO(response.content))
        w,h = image.size
        print w,h
        img_path = "images/" + str(i+1) + ".jpg"
        if w>=500 and h>500:
            #image.show()
            image.save(img_path)

        '''

        ## use OpenCV
        import numpy as np
        import urllib
        import cv2

        resp = urllib.urlopen(img_src)

        image = np.asarray(bytearray(resp.read()), dtype="uint8")
        image = cv2.imdecode(image, cv2.IMREAD_COLOR)
        w,h = image.shape[:2]
        print w,h
        img_path = "images/" + str(i+1) + ".jpg"
        if w>=400 and h>400:
            cv2.imshow("Image", image)
            cv2.waitKey(3000)
            ##cv2.imwrite(img_path,image)

        ## use skimage

        ## image = io.imread(img_src)
        ## w,h = image.shape[:2]
        ## print w,h
        #io.imshow(image)
        #io.show()

        ## img_path = "images/" + str(i+1) + ".jpg"
        ## if w>=500 and h>500:
            ## image.show()
            ## image.save(img_path)
            ## io.imsave(img_path,image)

print u"处理完成！"