Python下载网络图片方法汇总与实现

本文介绍下载python下载网络图片的方法，包括通过图片url直接下载、通过re/beautifulSoup解析html下载以及对动态网页的处理等。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：1097524789

通过pic_url单个/批量下载

已知图片url，例如http://xyz.com/series-*(1,2..N).jpg，共N张图片，其链接形式较为固定，这样经简单循环，直接通过`f.write(requests.get(url).content)'即可以二进制形式将图片写入。

import os
import requestsdef download(file_path, picture_url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36            (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360SE",}r = requests.get(picture_url, headers=headers)with open(file_path, 'wb') as f:f.write(r.content)def main():os.makedirs('./pic/', exist_ok=True)  # 输出目录prefix_url = 'http://xyz.com/series-'  # 同一类目下的图片url前缀n = 6  # 该类目下的图片总数tmp = prefix_url.split('/')[-1]for i in range(1, n + 1):file_path = './pic/' + tmp + str(i) + '.jpg'picture_url = prefix_url + str(i) + '.jpg'download(file_path, picture_url)if __name__ == '__main__':main()
复制代码

正则re解析html获取pic_url后下载

在实际操作中，图片url按序排列情况较少，多数情况下用户仅知道网页url，需要对当前网页htnl内容进行解析，获取源码中包含的图片url，常用方法有正则表达式匹配或BeautifulSoup等库解析的方法。

正则re解析的思路是：首先通过 requests.get(url).text 获得当前页面html源码；然后通过正则表达式匹配图片url，如 re.compile(r'[a-zA-z]+://[^\s]*\.jpg') 正则式一般会得到.jpg结尾的url，但其他网站图片url可能会以.png或.webp等结尾，甚至需要其他的正则匹配，为此，读者需要对正则表达式有所了解，强烈推荐正则表达式30分钟入门教程；将前一步得到的图片url加入列表，进行下载。

import os
import re
import requestsdef get_html(url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36 ",}html = requests.get(url, headers=headers).textreturn htmldef parse_html(html_text):picre = re.compile(r'[a-zA-z]+://[^\s]*\.jpg')  # 本正则式得到.jpg结尾的urlpic_list = re.findall(picre, html_text)return pic_listdef download(file_path, pic_url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36 ",}r = requests.get(pic_url, headers=headers)with open(file_path, 'wb') as f:f.write(r.content)def main():# 使用时修改url即可url = 'http://xyz.com/series'html_text = get_html(url)pic_list = parse_html(html_text)os.makedirs('./pic/', exist_ok=True)  # 输出目录for pic_url in pic_list:file_name = pic_url.split('/')[-1]file_path = './pic/' + file_namedownload(file_path, pic_url)if __name__ == '__main__':main()
复制代码

通过bs4获取pic_url

与正则匹配思路类似，只不过通过Beautiful Soup解析html获得图片url列表，然后依次下载图片。由于各网站html结构有差异，用户需要自行进行适当修改。以下代码是对豆瓣图片的下载。

import os
import time
import requests
from bs4 import BeautifulSoupdef get_html(url):headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36            (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',}html = requests.get(url, headers=headers).textreturn htmldef parse_html(html_text):soup = BeautifulSoup(html_text, 'html.parser')li = soup.find_all('div', attrs={'class':'cover'})pic_list = []for link in li:pic_url = link.find('img').get('src')pic_url = pic_url.replace('/m/', '/l/')pic_list.append(pic_url)return pic_listdef download(file_path, pic_url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36 ",}r = requests.get(pic_url, headers=headers)with open(file_path, 'wb') as f:f.write(r.content)def main():'从豆瓣下载石原里美图片，观察发现每页包含30张图片，其url按30递增，如下所示'pic_list = []for i in range(10):url = 'https://movie.douban.com/celebrity/1016930/photos/?type=C&start=' + str(30*i) + '&sortby=like&size=a&subtype=a'html_text = get_html(url)pic_list += parse_html(html_text)os.makedirs('./pic/', exist_ok=True)  # 输出目录for i, pic_url in enumerate(pic_list):if i%30 == 0:print('正在下载第%s页'%(i/30+1))file_name = pic_url.split('/')[-1].split('.')[0] + '.jpg'file_path = './pic/' + file_namedownload(file_path, pic_url)if __name__ == '__main__':main()
复制代码

在下载图片时，发现可以直接访问图片的缩略图url进行下载，但由于豆瓣的反爬策略，直接访问原图url会被服务器拒绝，见下图。解决方法见下一部分。

可能遇到的问题

网站反爬虫机制
1. User-Agent：模拟浏览器访问，添加后，服务器会认为是浏览器正常的请求。一般与网页操作相关访问都予以添加。
2. Referer：浏览器以此来判断你从哪一个网页跳转过来。例如在上述豆瓣图片的下载示例中，直接输入网址会被拒绝，但你在网站一步步点击却会在同一地址中得到内容，这就是因为你在一步步访问时是有一个前序跳转地址的，这个地址可以通过“F12”在header中得到，如果找不到的话试一试根目录地址“ movie.douban.com/”，或是前几步的地址”… GitHub仓库’adv_bs4_url.py‘文件。
3. ip伪装：构建ip池。
4. Cookie伪装：cookie是服务器用来辨别你此时的状态的，每一次向服务器请求cookie都会随之更新。
常用正则式匹配
- 强烈推荐正则表达式30分钟入门教程
网页的数据采用异步加载，如js渲染的页面或ajax加载的数据通过get不到完整页面源码。
- 一种方案是常说的动态爬虫，即采用一些第三方的工具，模拟浏览器的行为加载数据，如Selenium、PhantomJs等。网络上有较多介绍文章，有点麻烦就没有自己写了，后续有需求的话在做吧，不过其他方法已经够用了。
- 另外可以通过分析页面，找到请求借口，加载页面。其核心就是跟踪页面的交互行为 JS 触发调度，分析出有价值、有意义的核心调用（一般都是通过 JS 发起一个 HTTP 请求），然后我们使用 Python 直接访问逆向到的链接获取价值数据。通过"F12”进行分析，例如对于花瓣网，可以获得其链接为" huaban.com/search/?q=石… request.urlopen(url).read() 读取网页。
其他问题...

Pyautogui，鼠标模拟点击的“傻瓜式”流程

本方法仅适用于重复性的工作，而且效率较低，但完全没有被反爬虫策略屏蔽的风险。其核心思想与word中的“宏”类似，就是你告诉计算机一次循环中鼠标分别如何操作，然后让其自动循环。代码简单明了。

import pyautogui
import timepyautogui.FAILSAFE = Truedef get_mouse_positon():time.sleep(3)  # 此间将鼠标移动到初始位置x1, y1 = pyautogui.position()print(x1, y1)pyautogui.click(x=x1, y=y1, button='right')  # 模拟鼠标右键点击，呼出菜单time.sleep(5)  # 此间将鼠标移动到“save image as...”选项中央x2, y2 = pyautogui.position()print(x2, y2)pyautogui.click(x=x2, y=y2)  # 模拟鼠标左键点击，点中“save image as...”time.sleep(10)  # 此间弹出保存文件弹窗，自行选择保存位置，并将鼠标移至“保存(S)”按钮中央x3, y3 = pyautogui.position()pyautogui.click(x=x3, y=y3)print(x3, y3)def click_download(N):for i in range(N):  # 拟下载图片数量pyautogui.click(x=517, y=557, duration=0.25, button='right')  # 呼出菜单，自行将x/y设置为x1/y1time.sleep(1)pyautogui.click(x=664, y=773, duration=0.25)  # 下载，x/y为x2/y2time.sleep(1)pyautogui.click(x=745, y=559, duration=0.25)  # 保存，x/y为x3/y3time.sleep(1)pyautogui.click(x=517, y=557, duration=0.25)  # 进入下一张图片time.sleep(2) # 取决于网络加载速度，自行设置if __name__ == "__main__":# get_mouse_positon()  # 一开始只运行此命令，获取屏幕坐标，后续注释掉该句click_download(10)
复制代码