[python爬蟲] 爬取圖片無法打開或已損壞的簡單探討

        本文主要針對python使用urlretrieve或urlopen下載百度、搜狗、googto（谷歌鏡像）等圖片時，出現"無法打開圖片或已損壞"的問題，作者對它進行簡單的探討。同時，作者將進一步幫你鞏固selenium自動化操作和urllib庫等知識。
        感謝朋友"露為霜"的幫助！希望以后能實現強大的圖片爬蟲代碼~

一. 引入Selenium自動爬取百度圖片

        下面這部分Selenium代碼的主要功能是：
            1.先自動運行瀏覽器，並訪問百度圖片鏈接：http://image.baidu.com/
            2.通過driver.find_element_by_xpath()函數獲取輸入框的位置；
            3.在輸入框中自動輸入搜索關鍵詞"鄧肯"，再輸入回車搜索"鄧肯"相關圖片；
            4.再通過find_element_by_xpath()獲取圖片的原圖url，這里僅獲取一張圖片；
            5.調用urllib的urlretrieve()函數下載圖片。
        最后整個動態效果如下圖所示，但是圖片卻無法顯示：

        代碼如下：

# -*- coding: utf-8 -*-
import urllib
import re
import time
import os
from selenium import webdriver          
from selenium.webdriver.common.keys import Keys 
import selenium.webdriver.support.ui as ui
from selenium.webdriver.common.action_chains import ActionChains         

#Open PhantomJS
#driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")  
driver = webdriver.Firefox() 
wait = ui.WebDriverWait(driver,10)

#Search Picture By Baidu
url = "http://image.baidu.com/"
name = u"鄧肯"
driver.get(url)
elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")  
elem_inp.send_keys(name)  
elem_inp.send_keys(Keys.RETURN)
time.sleep(5)

#Get the URL of Pictures
#elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a")
elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a/img")
elem_url = elem_pic.get_attribute("src")
print elem_url

#Download Pictures
driver.get(elem_url)
urllib.urlretrieve(elem_url,"picture.jpg")
print "Download Pictures!!!"

 

 

二. 簡單分析原因及知識鞏固

       1.urllib.urlretrieve()
       通過urlretrieve()函數可設置下載進度發現圖片是一下子就加載的。這里給大家鞏固這個urlretrieve函數的方法和Python時間命名方式，代碼如下：

 

# -*- coding: utf-8 -*-
import urllib
import time
import os

#顯示下載進度
def schedule(a,b,c):
    #a:已下載的數據塊 b:數據塊的大小 c:遠程文件的大小
    per = 100.0 * a * b / c
    if per > 100 :
        per = 100
    print '%.2f%%' % per

if __name__ == '__main__':
    url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"
    #定義文件名 時間命名
    t = time.localtime(time.time())
    #反斜杠連接多行
    filename = str(t.__getattribute__("tm_year")) + "_" + \
               str(t.__getattribute__("tm_mon")) + "_" + \
               str(t.__getattribute__("tm_mday"))
    target = "%s.jpg" % filename
    print target
    urllib.urlretrieve(url,target,schedule)
    print "Download Picture!!!"

        發現該圖片的大小僅為168字節，其中輸出結果如下圖，獲取的URL地址如下：
http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg 
而換張圖片是能顯示下載進度的，如我的頭像。顯然我想讓程序加個進度就能爬取圖片的想法失敗。頭像地址：http://avatar.csdn.net/F/8/5/1_eastmount.jpg

        猜測可能獲取的百度URL不是原圖地址，或者是個服務器設置了相應的攔截或加密。參考"Python爬蟲抓取網頁圖片"，函數相關介紹如下：

>>> help(urllib.urlretrieve)
Help on function urlretrieve in module urllib:
urlretrieve(url, filename=None, reporthook=None, data=None)

參數url：
    指定的下載路徑
參數 finename：
    指定了保存本地路徑（如果參數未指定，urllib會生成一個臨時文件保存數據。）
參數 reporthook：
    是一個回調函數，當連接上服務器、以及相應的數據塊傳輸完畢時會觸發該回調，
    我們可以利用這個回調函數來顯示當前的下載進度。
參數 data：
    指 post 到服務器的數據，該方法返回一個包含兩個元素的(filename, headers)元組，
    filename 表示保存到本地的路徑，header 表示服務器的響應頭。

 

       2.urllib2.urlopen()
       換個方法urlopen()實現，同時設置消息頭試試，並輸出信息和圖片大小。

# -*- coding: utf-8 -*-
import os      
import sys    
import urllib
import urllib2

#設置消息頭
url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \
        AppleWebKit/537.36 (KHTML, like Gecko) \
        Chrome/35.0.1916.114 Safari/537.36',
    'Cookie': 'AspxAutoDetectCookieSupport=1'
}
request = urllib2.Request(url, None, header)
response = urllib2.urlopen(request)
print response.headers['Content-Length']

with open("picture.jpg","wb") as f:
    f.write(response.read())
print response.geturl()
print response.info()    #返回報文頭信息
print urllib2.urlopen(url).read()

        返回內容是”HTTPError: HTTP Error 403: Forbidden“，Selenium打開如下：

        其中403錯誤介紹如下，服務器拒絕服務：

        換成我的博客圖像那張圖是能下載的，同時設置消息頭和代理，推薦一篇文章：
        [Python]網絡爬蟲（五）：urllib2的使用細節與抓站技巧

 

三. 解決方法

        主要參考三篇文章和自己的一些想法：
        selenium+python 爬取網絡圖片(2) -- 百度
        Python 3 多線程下載百度圖片搜索結果
        CSDN博客搬家到WordPress  - curl設置headers爬取

        第一個方法 F12審查元素和SRC的騙局
        這是感謝"露為霜"同學提供的方法，如果你通過瀏覽器點開百度搜索"鄧肯"的第一張圖片，復制網址后，會發現圖片真實的地址為：
        http://gb.cri.cn/mmsource/images/2015/11/22/sb2015112200073.jpg
        此時你再分析百度搜索頁面，你會發現"F12審查元素和獲取src元素的行為欺騙了你"，正是因為它倆定位到了錯誤的圖片鏈接。而真實的URL是在"ul/li/"中的"data-objurl"屬性中。

        代碼如下：

# -*- coding: utf-8 -*-
import urllib
import re
import time
import os
from selenium import webdriver          
from selenium.webdriver.common.keys import Keys
import selenium.webdriver.support.ui as ui        
from selenium.webdriver.common.action_chains import ActionChains

#Open PhantomJS
#driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")  
driver = webdriver.Firefox() 
wait = ui.WebDriverWait(driver,10)

#Search Picture By Baidu
url = "http://image.baidu.com/"
name = u"鄧肯"
driver.get(url)
elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")  
elem_inp.send_keys(name)  
elem_inp.send_keys(Keys.RETURN)
time.sleep(5)

#Get the URL of Pictures
num = 1
elem_pic = driver.find_elements_by_xpath("//div[@class='imgpage']/ul/li")
for elem in elem_pic:
    elem_url = elem.get_attribute("data-objurl")
    print elem_url
    #Download Pictures
    name = "%03d" % num
    urllib.urlretrieve(elem_url, str(name) + ".jpg")
    num = num + 1
else:
    print "Download Pictures!!!"

        運行代碼成功爬取了9張圖片，顯然成功了！雖然最后報錯：IOError: [Errno socket error] [Errno 10060] ，只爬取了9張圖片，但是至少可以正確解決了該問題。運行截圖如下所示：

        同樣的道理，googto的elem.get_attribute("src")改成elem.get_attribute("data-imgurl")即可獲取正確的圖片地址並正確下載。
        PS：百度圖片動態加載的功能是非常強大的，當你的鼠標拖動時，它會自動增加新的頁面，在<ul>中包括新的一批<li>張圖片，這也是不同於其它網頁在右下角點擊"1、2、3..."翻頁的，可能也會成為海量圖片爬取的又一難點。

        第二個方法 Selenium使用右鍵另存為
        還是使用老的鏈接，雖然讀取是無法顯示的，但嘗試通過Selenium的鼠標右鍵另存為功能，看能不能爬取成功。

# -*- coding: utf-8 -*-
import urllib
import re
import time
import os
from selenium import webdriver          
from selenium.webdriver.common.keys import Keys
import selenium.webdriver.support.ui as ui        
from selenium.webdriver.common.action_chains import ActionChains

#Open PhantomJS 
driver = webdriver.Firefox()
wait = ui.WebDriverWait(driver,10)

#Search Picture By Baidu
url = "http://image.baidu.com/"
name = u"鄧肯"
driver.get(url)
elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")  
elem_inp.send_keys(name)  
elem_inp.send_keys(Keys.RETURN)
time.sleep(5)

#Get the URL of Pictures
elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a/img")
elem_url = elem_pic.get_attribute("src")
print elem_url

#鼠標移動至圖片上 右鍵保存圖片
driver.get(elem_url)
print driver.page_source
elem = driver.find_element_by_xpath("//img")
action = ActionChains(driver).move_to_element(elem)
action.context_click(elem) #右鍵  

#當右鍵鼠標點擊鍵盤光標向下則移動至右鍵菜單第一個選項
action.send_keys(Keys.ARROW_DOWN)
action.send_keys('v') #另存為
action.perform()
print "Download Pictures!!!"

        運行效果如下圖所示。雖然它能實現右鍵另存為，但是需要手動點擊保存，其原因是selenium無法操作操作系統級的對話框，又說"set profile"代碼段的設置能解決問題的並不靠譜。通過鈎子Hook函數可以實現，以前做過C#的鈎子自動點擊功能，但是想到下載圖片需要彈出並點擊無數次對話框就很蛋疼，所以該方法並不好！
        鈎子函數java版本結合robot可以閱讀下面這篇文章：
        selenium webdriver 右鍵另存為下載文件（結合robot and autoIt）

 

        第三個方法 通過Selenium自動點擊百度的下載按鈕
        其實現過程就是通過Selenium找到"下載"按鈕，再點擊或獲取鏈接即可。
        該方法參考文章：selenium+python 爬取網絡圖片(2) -- 百度
        同時，這里需要強調百度動態加載，可以通過Selenium模擬滾動窗口實現，也參考上面文章。其中核心代碼為：
        driver.maximize_window()
        pos += i*500   # 每次下滾500
        js = "document.documentElement.scrollTop=%d" % pos
        driver.execute_script(js)

       第四個方法 百度圖片解碼下載及線程實現
       參考文章：Python 3 多線程下載百度圖片搜索結果

       最近看了一些優秀的文章，真心感覺自己縷蟻一般，太過渺小，還有好多知識需要學習啊！加油~而且不知道現在自己做的這些東西是否有用？心理的幾個想法一直還未實現，挺擔心的。還是自己博客描述那句話：
       無知的自己 · 樂觀的面對 · 謙遜的學習 · 低調的前行 · 更要會生活
       希望文章對你有所幫助，如果有錯誤或不足之處，還請海涵~
      （By:Eastmount 2015-12-07 清晨6點  http://blog.csdn.net/eastmount/）