利用Python爬取網頁圖片

　　最近幾天，研究了一下一直很好奇的爬蟲算法。這里寫一下最近幾天的點點心得。下面進入正文：

---

 

　　你可能需要的工作環境：

　　Python 3.6官網下載

　　我們這里以sogou作為爬取的對象。

　　首先我們進入搜狗圖片http://pic.sogou.com/，進入壁紙分類（當然只是個例子Q_Q），因為如果需要爬取某網站資料，那么就要初步的了解它…

進去后就是這個啦，然后F12進入開發人員選項，筆者用的是Chrome。

右鍵圖片>>檢查    

發現我們需要的圖片src是在img標簽下的，於是先試着用 Python 的 requests提取該組件，進而獲取img的src然后使用 urllib.request.urlretrieve逐個下載圖片，從而達到批量獲取資料的目的，思路好了，下面應該告訴程序要爬取的url為http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD，此url來自進入分類后的地址欄。明白了url地址我們來開始愉快的代碼時間吧：

在寫這段爬蟲程序的時候，最好要逐步調試，確保我們的每一步操作正確，這也是程序猿應該有的好習慣。筆者不知道自己算不算個程序猿哈。線面我們來剖析該url指向的網頁。

import requests import urllib from bs4 import BeautifulSoup res = requests.get('http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD') soup = BeautifulSoup(res.text,'html.parser') print(soup.select('img'))

output：

 

 發現輸出內容並不包含我們要的圖片元素，而是只剖析到logo的img，這顯然不是我們想要的。也就是說需要的圖片資料不在url  即 http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD里面。因此考慮可能該元素是動態的，細心的同學可能會發現，當在網頁內，向下滑動鼠標滾輪，圖片是動態刷新出來的，也就是說，該網頁並不是一次加載出全部資源，而是動態加載資源。這也避免了因為網頁過於臃腫，而影響加載速度。下面痛苦的探索開始了，我們是要找到所有圖片的真正的url 筆者也是剛剛接觸，找這個不是太有經驗。最后找的位置F12>>Network>>XHR>>(點擊XHR下的文件)>>Preview。

發現，有點接近我們需要的元素了，點開all_items 發現下面是0 1 2 3...一個一個的貌似是圖片元素。試着打開一個url。發現真的是圖片的地址。找到目標之后。點擊XHR下的Headers

得到第二行

Request URL:

http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category=%E5%A3%81%E7%BA%B8&tag=%E5%85%A8%E9%83%A8&start=0&len=15&width=1536&height=864，試着去掉一些不必要的部分，技巧就是，刪掉可能的部分之后，訪問不受影響。經筆者篩選。最后得到的url：http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category=%E5%A3%81%E7%BA%B8&tag=%E5%85%A8%E9%83%A8&start=0&len=15  字面意思，知道category后面可能為分類。start為開始下標，len為長度，也即圖片的數量。好了，開始愉快的代碼時間吧：

 

開發環境為Win7  Python 3.6，運行的時候Python需要安裝requests，

Python3.6 安裝requests 應該CMD敲入：

pip install requests

 

筆者在這里也是邊調試邊寫，這里把最終的代碼貼出來：

 

import requests
import json
import urllib

def getSogouImag(category,length,path):
    n = length
    cate = category
    imgs = requests.get('http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category='+cate+'&tag=%E5%85%A8%E9%83%A8&start=0&len='+str(n))
    jd = json.loads(imgs.text)
    jd = jd['all_items']
    imgs_url = []
    for j in jd:
        imgs_url.append(j['bthumbUrl'])
    m = 0
    for img_url in imgs_url:
            print('***** '+str(m)+'.jpg *****'+'   Downloading...')
            urllib.request.urlretrieve(img_url,path+str(m)+'.jpg')
            m = m + 1
    print('Download complete!')

getSogouImag('壁紙',2000,'d:/download/壁紙/')

 

 

  程序跑起來的時候，筆者還是有點小激動的。來，感受一下：

 

 

 

 

 至此，關於該爬蟲程序的編程過程敘述完畢。整體來看，找到需要爬取元素所在url，是爬蟲諸多環節中的關鍵