日志
PYTHON爬虫——必应图片关键词爬取
2018-10-18 09:20
图片三个网站的图片搜索结果进行爬取和下载。
首先通过爬虫过程中遇到的问题,总结如下: 1、一次页面加载的图片数量各个网站是不定的,每翻一页就会刷新一次,对于数据量大的爬虫几乎都需要用到翻页功能,有如下两种方式: 1)通过网站上的网址进行刷新,例如必应图片: url = 'http://cn.bing.com/images/async?q={0}&first={1}&count=35&relp=35&lostate=r&mmasync=1&dgState=x*175_y*848_h*199_c*1_i*106_r*0'
2、每个网站应用的图片加载技术都不一样,对于静态加载的网站爬取图片非常容易,因为每张图片的url都直接显示在网页源码中,找到每张图片对应的url即可使用urlretrieve()进行下载。然而对于动态加载的网站就比较复杂,需要具体问题具体分析,例如google图片每次就会加载35张图片(只能得到35张图片的url),当滚动一次后网页并不刷新但是会再次加载一批图片,与前面加载完成的都一起显示在网页源码中。对于动态加载的网站我推荐使用selenium库来爬取。 对于爬取图片的流程基本如下(对于可以通过网址实现翻页或者无需翻页的网站): 1. 找到你需要爬取图片的网站。(以必应为例) 2. 使用google元素检查(其他的没用过不做介绍)来查看网页源码。 3. 使用左上角的元素检查来找到对应图片的代码。 4. 通过观察找到翻页的规律(有些网站的动态加载是完全看不出来的,这种方法不推荐) 从图中可以看到标签div,class=’dgControl hover’中的data-nexturl的内容随着我们滚动页面翻页first会一直改变,q=二进制码即我们关键字的二进制表示形式。加上前缀之后由此我们才得到了我们要用的url。 5. 我们将网页的源码放进BeautifulSoup中,代码如下: url = 'http://cn.bing.com/images/async?q={0}&first={1}&count=35&relp=35&lostate=r&mmasync=1&dgState=x*175_y*848_h*199_c*1_i*106_r*0' agent = {'User-Agent': "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.165063 Safari/537.36 AppEngine-Google."}page1 = urllib.request.Request(url.format(InputData, i*35+1), headers=agent)page = urllib.request.urlopen(page1)soup = BeautifulSoup(page.read(), 'html.parser')
首先选取我们需要的url所在的class,如下图: 波浪线是我们需要的url。 我们由下面的代码得到我们需要的url: if not os.path.exists("./" + word):#创建文件夹 os.mkdir('./' + word) for StepOne in soup.select('.mimg'):link=StepOne.attrs['src']#将得到的<class 'bs4.element.Tag'>转化为字典形式并取src对应的value。 count = len(os.listdir('./' + word)) + 1 SaveImage(link,word,count)#调用函数保存得到的图片。
try:time.sleep(0.2)urllib.request.urlretrieve(link,'./'+InputData+'/'+str(count)+'.jpg') except urllib.error.HTTPError as urllib_err:print(urllib_err) except Exception as err:time.sleep(1)print(err)print("产生未知错误,放弃保存") else:print("图+1,已有" + str(count) + "张图")
以上就是对单个页面进行数据采集的流程,紧接着改变url中{1}进行翻页操作继续采集下一页。 数据采集结果如下: 有问题请留言。 蓝蓝设计( www.lanlanwork.com )是一家专注而深入的界面设计公司,为期望卓越的国内外企业提供卓越的UI界面设计、BS界面设计 、 cs界面设计 、 ipad界面设计 、 包装设计 、 图标定制 、 用户体验 、交互设计、 网站建设 、平面设计服务。 阅读全文 |
下一篇: 说服用户,让事情变的更简单!