python爬虫随心所欲地爬取百度图片

文章目录

一、前言
二、需要导入的库
三、实现过程
- 1、下载链接分析
- 2、代码分析
- 3、完整代码
四、Blogger's speech

一、前言

之前爬取了很多静态网页的内容，包括：小说、图片等等，今天我来尝试一下动态网页的爬取。众所周知，百度图片就是一个动态网页。那么，冲！冲！！冲！！！

二、需要导入的库

import requests
import json
import os

三、实现过程

1、下载链接分析

首先，打开百度，搜索一个内容，这里搜索的是男神（本人）——彭于晏

然后，打开抓包工具，选择XHR选项，按Ctrl+R，然后你会发现，随着你鼠标的滑动，右侧会出现一个又一个的数据包。

（这里没滑动太多，一开始因为滑动太多，录的GIF超5M了）

然后，选一个包，查看它的headers，如图：

截取之后，粘贴在记事本上，作为一个URL，后文会用到。

这里有很多很多的参数，我也不知道具体哪些是可以忽略的，后文就索性全复制下来了，具体看后文。

到这里，能够直接观察到的内容就结束了，接下来，借助代码，帮我们打开另一个世界的大门

冲就完事了！

2、代码分析

首先：把上述中的“其它参数”组在一起。

自己做的话，最好复制自己的“其它参数”。

之后，我们可以先提取一下试试，并且把编码格式改成'utf-8'

 url = 'https://image.baidu.com/search/acjson?'param = {'tn': 'resultjson_com','logid': ' 7517080705015306512','ipn': 'rj','ct': '201326592','is': '','fp': 'result','queryWord': '彭于晏','cl': '2','lm': '-1','ie': 'utf-8','oe': 'utf-8','adpicid': '','st': '','z': '','ic': '','hd': '','latest': '','copyright': '','word': '彭于晏','s': '','se': '','tab': '','width': '','height': '','face': '','istype': '','qc': '','nc': '1','fr': '','expermode': '','force': '','cg': 'star','pn': '30','rn': '30','gsm': '1e',}# 将编码形式转换为utf-8response = requests.get(url=url, headers=header, params=param)response.encoding = 'utf-8'response = response.textprint(response)

运行结果如下：

看上去挺乱的哈，没事，我们给包装一下！

在上面的基础上加上：

 # 把字符串转换成json数据data_s = json.loads(response)print(data_s)

运行结果如下：

和上面相比，已经明晰很多了，但依旧不够明确，为什么呢？因为它打印的格式不方便我们观看！

对此，有两种解决办法。

①导入pprint库，接着输入pprint.pprint(data_s)，就能打印啦，如下图

②使用json在线解析器（自行百度），结果如下：

解决掉上一步，我们会发现，想要的数据都在data里面！

那么就提取吧！

 a = data_s["data"]for i in range(len(a)-1):  # -1是为了去掉上面那个空数据data = a[i].get("thumbURL", "not exist")print(data)

结果如下：

到这里，已经成功90%啦，剩下的就是保存和优化代码了！

3、完整代码

这部分和上面有些许不同，仔细看看就会发现嗷！

# -*- coding: UTF-8 -*-
"""
@Author  ：远方的星
@Time   : 2021/2/27 17:49
@CSDN    ：https://blog.csdn.net/qq_44921056
@腾讯云   ： https://cloud.tencent.com/developer/user/8320044
"""
import requests
import json
import os
import pprint
# 创建一个文件夹
path = 'D:/百度图片'
if not os.path.exists(path):os.mkdir(path)
# 导入一个请求头
header = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
# 用户（自己）输入信息指令
keyword = input('请输入你想下载的内容：')
page = input('请输入你想爬取的页数：')
page = int(page) + 1
n = 0
pn = 1
# pn代表从第几张图片开始获取，百度图片下滑时默认一次性显示30张
for m in range(1, page):url = 'https://image.baidu.com/search/acjson?'param = {'tn': 'resultjson_com','logid': ' 7517080705015306512','ipn': 'rj','ct': '201326592','is': '','fp': 'result','queryWord': keyword,'cl': '2','lm': '-1','ie': 'utf-8','oe': 'utf-8','adpicid': '','st': '','z': '','ic': '','hd': '','latest': '','copyright': '','word': keyword,'s': '','se': '','tab': '','width': '','height': '','face': '','istype': '','qc': '','nc': '1','fr': '','expermode': '','force': '','cg': 'star','pn': pn,'rn': '30','gsm': '1e',}# 定义一个空列表，用于存放图片的URLimage_url = list()# 将编码形式转换为utf-8response = requests.get(url=url, headers=header, params=param)response.encoding = 'utf-8'response = response.text# 把字符串转换成json数据data_s = json.loads(response)a = data_s["data"]  # 提取data里的数据for i in range(len(a)-1):  # 去掉最后一个空数据data = a[i].get("thumbURL", "not exist")  # 防止报错key errorimage_url.append(data)for image_src in image_url:image_data = requests.get(url=image_src, headers=header).content  # 提取图片内容数据image_name = '{}'.format(n+1) + '.jpg'  # 图片名image_path = path + '/' + image_name  # 图片保存路径with open(image_path, 'wb') as f:  # 保存数据f.write(image_data)print(image_name, '下载成功啦！！！')f.close()n += 1pn += 29

运行结果如下：

友情提示：
①：一页是30张
②：输入的内容可以很多变：比如桥、月亮、太阳、胡歌、赵丽颖等等。

四、Blogger’s speech

希望大家可以，点赞、关注、收藏，三连支持一下！

作者：远方的星
CSDN：https://blog.csdn.net/qq_44921056
腾讯云：https://cloud.tencent.com/developer/column/91164
本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。