python爬取大量百度图片

转载，验证可行：
https://www.jianshu.com/p/33bee611fa7d

一、爬取百度图片一页

import requests
import re
import os#url = input("请输入百度图片首页地址")
url = r'https://image.baidu.com/search/index?tn=baiduimage&ct=201326592&lm=-1&cl=2&ie=gbk&word=%C3%C0%C5%AE&fr=ala&ala=1&alatpl=cover&pos=0&hs=2&xthttps=111111'html = requests.get(url).text
links = re.findall(r'"objURL":"(.*?)"', html)  #一个图片对应许多链接，经测试图片链接在 objURL 这个标签内。用正则找出
dirpath = os.getcwd() + '\\pictures'
if not os.path.isdir(dirpath):os.mkdir(dirpath)index = 1
for link in links:print("Downloading:", link)try:res = requests.get(link)if str(res.status_code)[0] == "4":print("未下载成功：", link)continueexcept Exception as e:print("未下载成功：", link)filename = os.path.join(dirpath, str(index) + ".jpg")with open(filename, 'wb') as f:f.write(res.content)index += 1print("下载结束，一共 {}张图片" .format(index))

二、爬取更多图片

通过上面的方法我们可以成功爬取百度的一页图片。

但是要获取更多图片呢？可以用 selenium 库，但用别的方法呢？

从网页中我们可以看到要通过下拉才能显示出更多图片，但网址的url并没有改变。

按 F12 后在 Network 中观察，可以发现在下拉过程中，出现了 xhr 这个东东。

点进去看看。

把这个请求头的 URL 复制下，在浏览器地址栏输入，可以看到是 JSON 格式的数据。

所以这是一个传输 JSON 格式的网址。

那么图片在哪呢？

点开 preview ，在 data 中看到了0~30 的数据，随便点开一个。

可以看到，图片就是以 json 格式存在这里。图片链接地址还是在 objURL 标签内。

那么要下载图片的方法就是通过爬取一个个 json 格式的网址，找出里面的图片链接就行了。

通过不断下拉网页，分析几个请求头的 URL ，我们可以分析出它的规律。

我们可以写出任意关键词和它匹配的所有图片网址链接。

import itertools
import urllibdef buildUrls(word):word = urllib.parse.quote(word)url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=60"urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=60)) #创建一个生成器return urls

所需的 json 图片网址搞定了，那么接下去我们要从传回的 json 字符串中找出图片的下载链接

re_url = re.compile(r'"objURL":"(.*?)"')
imgs = re_url.findall(html)

查看一下 objURL 内的图片下载链接

这是什么下载链接？0.0

"objURL":"ippr_z2C$qAzdH3FAzdH3Ft42a_z&e3Bri_z&e3B8dm_z&e3BgjpAzdH3FTUvBJufGp8ysKmCr4RTyFQ==AzdH3Fdm0ancn8a98c98alb9a_z&e3B3r2"

原来是加密了，破解方法还是在上面的链接中。

所以我们可以写出解密方法了。

import requests
import resign_table = {              #解码 : . / 这三个符号'_z2C$q': ':','_z&e3B': '.','AzdH3F': '/'
}char_table = {              #解码其他字符'w': 'a','k': 'b','v': 'c','1': 'd','j': 'e','u': 'f','2': 'g','i': 'h','t': 'i','3': 'j','h': 'k','s': 'l','4': 'm','g': 'n','5': 'o','r': 'p','q': 'q','6': 'r','f': 's','p': 't','7': 'u','e': 'v','o': 'w','8': '1','d': '2','n': '3','9': '4','c': '5','m': '6','0': '7','b': '8','l': '9','a': '0'
}# python3字符串的translate方法需要用单个字符的十进制unicode编码作为key
# value 中的数字会被当成十进制unicode编码转换成字符
# 也可以直接用字符串作为value
char_table = {ord(key): ord(value) for key, value in char_table.items()}def decode(url):# 先替换字符串for key, value in sign_table.items():url = url.replace(key, value)# 再替换剩下的字符return url.translate(char_table)if __name__ == '__main__':url = r"ippr_z2C$qAzdH3FAzdH3Ft42a_z&e3Bri_z&e3B8dm_z&e3BgjpAzdH3FTUvBJufGp8ysKmCr4RTyFQ==AzdH3Fdm0ancn8a98c98alb9a_z&e3B3r2"print(decode(url))

得出正确图片下载链接：

http://img0.ph.126.net/TUcBJfsGt1ylK6CpmRTyFQ==/2670353104154109840.jpg

三、下载代码

归纳一下思路：

发送 json 格式的 HTTP 请求，获取 json 数据
解析数据得到图片下载链接
下载图片

import requests
import urllib
import os, re
import itertoolssign_table = {              #解码 : . / 这三个符号'_z2C$q': ':','_z&e3B': '.','AzdH3F': '/'
}char_table = {              #解码其他字符'w': 'a','k': 'b','v': 'c','1': 'd','j': 'e','u': 'f','2': 'g','i': 'h','t': 'i','3': 'j','h': 'k','s': 'l','4': 'm','g': 'n','5': 'o','r': 'p','q': 'q','6': 'r','f': 's','p': 't','7': 'u','e': 'v','o': 'w','8': '1','d': '2','n': '3','9': '4','c': '5','m': '6','0': '7','b': '8','l': '9','a': '0'
}# python3字符串的translate方法需要用单个字符的十进制unicode编码作为key
# value 中的数字会被当成十进制unicode编码转换成字符
# 也可以直接用字符串作为value
char_table = {ord(key): ord(value) for key, value in char_table.items()}# 解码图片URL
def decode(url):# 先替换字符串for key, value in sign_table.items():url = url.replace(key, value)# 再替换剩下的字符return url.translate(char_table)# 生成网址列表
def buildUrls(word):word = urllib.parse.quote(word)url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=60"urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=60))return urls# 解析JSON获取图片URL
re_url = re.compile(r'"objURL":"(.*?)"')
def resolveImgUrl(html):imgUrls = [decode(x) for x in re_url.findall(html)]return imgUrls# 下载图片
def downImg(imgUrl, dirpath, imgName):filename = os.path.join(dirpath, imgName)try:res = requests.get(imgUrl, timeout=15)if str(res.status_code)[0] == "4":print(str(res.status_code), ":" , imgUrl)return Falseexcept Exception as e:print("抛出异常：", imgUrl)print(e)return Falsewith open(filename, "wb") as f:f.write(res.content)return Trueif __name__ == '__main__':print("欢迎使用百度图片下载脚本！目前仅支持单个关键词。")print("下载结果保存在脚本目录下的picture文件夹中。")print("=" * 50)word = input("请输入你要下载的图片关键词：\n")dirpath = os.getcwd() + '\\pictures'if not os.path.isdir(dirpath):os.mkdir(dirpath)urls = buildUrls(word)index = 0for url in urls:print("正在请求：", url)html = requests.get(url, timeout=10).content.decode('utf-8')imgUrls = resolveImgUrl(html)if len(imgUrls) == 0:  # 没有图片则结束breakfor url in imgUrls:if downImg(url, dirpath, str(index) + ".jpg"):index += 1print("已下载 %s 张" % index)