AotucCrawler 快速爬取圖片

AotucCrawler 快速爬取圖片

今天介紹一款自動化爬取圖片項目。

GitHub: https://github.com/YoongiKim/AutoCrawler

Google, Naver multiprocess image web crawler (Selenium)

關鍵字

• 爬蟲網站：Google、Naver （美、韓兩大搜索引擎）
• 運行方式：Multiprocess（多進程）
• 爬取格式：image （圖片）
• 基於自動化工具：Selenium （不解釋）

如何使用

1. Git克隆AutoCrawler項目到本地

2. 自行安裝 Chrome 瀏覽器

3. 安裝依賴

> pip -r requirements.txt

• certifi: 包含了很多可信任知名公司的證書/公鑰。
• chardet：提供自動檢測字符編碼的功能。
• idna: 提供"對於RFC5891中定義的IDNA協議（Internationalised Domain Names in Applications）的支持"。
• requests: 依賴於上面三個基礎庫，他主要用於根據圖片鏈接下載圖片。
• selenium: 用於啟動瀏覽器，爬取圖片鏈接。
• webdriver-manager: 用來管理selenium瀏覽器驅動的項目。

仔細分析別人項目，不管是源碼還是依賴庫都會有收獲。webdriver-manager 就是我發現的一個寶藏項目，它簡化的瀏覽器驅動的管理。

4. 打開keywords.txt文件，編寫爬取的關鍵字。

cat
dog

5. 運行main.py 文件

> python main.py

參數說明:

--skip true：如果下載的關鍵字已經存在，是否跳過關鍵字，重新下載時需要設置。

--threads 4： 下載使用線程數量

--google true： 從google.com 下載。

--naver true: 從naver.com 下載。

--full false: 下載全分辨率圖像而不是縮略圖 (慢)。

--face false: Face search mode。

--no_gui auto: 使用 GUI 模式. (headless模式) 全分辨率模式可以加速, 但是縮略圖模式不穩定。 默認auto模式，如果full=false 默認使用使用GUI，如果full=true默認Headless模式。（可用於docker linux系統）。

--limit 0: 設置最大圖片下載范圍。 (0: 無限制)

--proxy-list: 逗號分隔的代理列表，如: socks://127.0.0.1:1080, http://127.0.0.1:1081，每個線程從列表中隨即選擇一個。

例如：

> python main.py --threads 2 --google true  --naver false --full false --limit 50

6. 爬取的圖片保存於 downloads/ 目錄。

小結

1. 因為使用的是Google網站，沒有梯子的同學有點郁悶。項目本身並不復雜，兩個python文件加一起不到1000行代碼，我們完全可以花點時間替換為國內可訪問的搜索引擎。

2. 下載圖片只是為了欣賞貓貓狗狗嗎？當然不是，我們可用下載的圖片訓練 AI。