目标

嗯，我们知道搜索或浏览网站时会有很多精美、漂亮的图片。

我们下载的时候，得鼠标一个个下载，而且还翻页。

那么，有没有一种方法，可以使用非人工方式自动识别并下载图片。美美哒。

那么请使用python语言，构建一个抓取和下载网页图片的爬虫。

当然为了提高效率，我们同时采用多线程并行方式。

思路分析

Python有很多的第三方库，可以帮助我们实现各种各样的功能。问题在于，我们弄清楚我们需要什么：

1)http请求库，根据网站地址可以获取网页源代码。甚至可以下载图片写入磁盘。

2)解析网页源代码，识别图片连接地址。比如正则表达式，或者简易的第三方库。

3)支持构建多线程或线程池。

4)如果可能，需要伪造成浏览器，或绕过网站校验。(嗯，网站有可能会防着爬虫 ;-))

5)如果可能，也需要自动创建目录，随机数、日期时间等相关内容。

如此，我们开始搞事情。O(∩_∩)O~

环境配置

操作系统：windows 或 linux 皆可

Python版本：Python3.6 ( not Python 2.x 哦)

第三方库

urllib.request

threading 或者 concurrent.futures 多线程或线程池(python3.2+)

re 正则表达式内置模块

os 操作系统内置模块

编码过程

我们分解一下过程。完整源代码在博文最终提供。

伪装为浏览器

import urllib.request

# ------ 伪装为浏览器 ---

def makeOpener(head={

'Connection': 'Keep-Alive',

'Accept': 'text/html, application/xhtml+xml, */*',

'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',

'Connection': 'keep-alive',

'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'

}):

cj = http.cookiejar.CookieJar()

opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

header = []

for key, value in head.items():

elem = (key, value)

header.append(elem)

opener.addheaders = header

return opener

获取网页源代码

# ------ 获取网页源代码 ---

# url 网页链接地址

def getHtml(url):

print('url='+url)

oper = makeOpener()

if oper is not None:

page = oper.open(url)

#print ('-----oper----')

else:

req=urllib.request.Request(url)

# 爬虫伪装浏览器

req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0')

page = urllib.request.urlopen(req)

html = page.read()

if collectHtmlEnabled: #是否采集html

with open('html.txt', 'wb') as f:

f.write(html) # 采集到本地文件，来分析

# ------ 修改html对象内的字符编码为UTF-8 ------

if chardetSupport:

cdt = chardet.detect(html)

charset = cdt['encoding'] #用chardet进行内容分析

else:

charset = 'utf8'

try:

result = html.decode(charset)

except:

result = html.decode('gbk')

return result

下载单个图片

# ------ 根据图片url下载图片 ------

# folderPath 定义图片存放的目录 imgUrl 一个图片的链接地址 index 索引，表示第几个图片

def downloadImg(folderPath, imgUrl, index):

# ------ 异常处理 ------

try:

imgContent = (urllib.request.urlopen(imgUrl)).read()

except urllib.error.URLError as e:

if printLogEnabled : print ('【错误】当前图片无法下载')

return False

except urllib.error.HTTPError as e:

if printLogEnabled : print ('【错误】当前图片下载异常')

return False

else:

imgeNameFromUrl = os.path.basename(imgUrl)

if printLogEnabled : print ('正在下载第'+str(index+1)+'张图片，图片地址:'+str(imgUrl))

# ------ IO处理 ------

isExists=os.path.exists(folderPath)

if not isExists: # 目录不存在，则创建

os.makedirs( folderPath )

#print ('创建目录')

# 图片名命名规则，随机字符串

imgName = imgeNameFromUrl

if len(imgeNameFromUrl) < 8:

imgName = random_str(4) + random_str(1,'123456789') + random_str(2,'0123456789')+"_" + imgeNameFromUrl

filename= folderPath + "\\"+str(imgName)+".jpg"

try:

with open(filename, 'wb') as f:

f.write(imgContent) # 写入本地磁盘

# if printLogEnabled : print ('下载完成第'+str(index+1)+'张图片')

except :

return False

return True

下载一批图片(多线程/线程池模式皆支持)

# ------ 批量下载图片 ------

# folderPath 定义图片存放的目录 imgList 多个图片的链接地址

def downloadImgList(folderPath, imgList):

index = 0

# print ('poolSupport='+str(poolSupport))

if not poolSupport:

#print ('多线程模式')

# ------ 多线程编程 ------

threads = []

for imgUrl in imgList:

# if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')

threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,)))

index += 1

for t in threads:

t.setDaemon(True)

t.start()

t.join() #父线程，等待所有线程结束

if len(imgList) >0 : print ('下载结束，存放图片目录：' + str(folderPath))

else:

#print ('线程池模式')

# ------ 线程池编程 ------

futures = []

# 创建一个最大可容纳N个task的线程池 thePoolSize 为 全局变量

with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool:

for imgUrl in imgList:

# if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')

futures.append(pool.submit(downloadImg, folderPath, imgUrl, index))

index += 1

result = concurrent.futures.wait(futures, timeout=None, return_when='ALL_COMPLETED')

suc = 0

for f in result.done:

if f.result(): suc +=1

print('下载结束，总数：'+str(len(imgList))+'，成功数：'+str(suc)+'，存放图片目录：' + str(folderPath))

调用例子

如百度贴吧为例

# ------ 下载百度帖子内所有图片 ------

# folderPath 定义图片存放的目录 url 百度贴吧链接

def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'):

html = getHtml(url)

# ------ 利用正则表达式匹配网页内容找到图片地址 ------

#reg = r'src="(.*?\.jpg)"'

reg = r'src="(.*?/sign=.*?\.jpg)"'

imgre = re.compile(reg);

imgList = re.findall(imgre, html)

print ('找到图片个数：' + str(len(imgList)))

# 下载图片

if len(imgList) >0 : downloadImgList(folderPath, imgList)

# 程序入口

if __name__ == '__main__':

now = datetime.datetime.now().strftime('%Y-%m-%d %H-%M-%S')

# 下载百度帖子内所有图片

downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')

效果

完整源码请见

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。