pyhon爬虫之爬取图片(亲测可用)

爬取网站 ​​https://image.baidu.com/​​ 先打开页面

然后点击动物图片 当然选择哪个都可以我这里只是喜欢动物的所以选择这个分类

爬取任何数据 第一步就是先确定数据来源 先打开 f12 来看一下先点击随便一个图片右键 然后点击检查 就会跳到那个图片所在的位置 如下：

当看你看到响应里有确切的地址的时候 先不要着急爬取 先复制这个链接然后点击查看页面源代码（快捷键：ctr+U） 查找一下里面有没有这个地址

可以看的出来网页 源代码里面没有 到这一步就可以确定是用ajax异步来传送的数据然后我们再f12 里面 点击Network 下面的XHR 进行页面刷新如下：

如果还没有出来数据 就把滚动条往下拉一下就可以看到有新的请求链接 记得多往下滚动一下 做一下对比 如下：

我们点开previem 可以看到是json格式 然后打开可以看到有30个图片的数据

我们随便点开一个就可以看到里面 有明确的图片的源地址 我们可以复制打开一下

thumbnailUrl: 这里面就是源地址 可以打开看下 如下：

我们现在知道的图片的地址 但是要抓取所以图片就需要进行二级页面的爬虫我们先把所有图片的地址抓取下来 先观察一下url

我们往下滑动就可以看到每一个请求都是pn值 和PageNum值 会变 那我们只需要再爬取的时候吧这两个值变动一下就可以了 我们可以看到每一个请求只有30个数据 那么还需要进行处理一下

接下来我们就开始写代码

我们先把所需要的模块导入进来如下：

#  -*- coding:utf-8 -*-
# Author:Mr.屌丝
 
import json
import os.path
from hashlib import sha1
import requests
from fake_useragent import UserAgent

然后我们创建一个类 先吧所需要的headers 头和url 初始化一下如下：

class BaiduSpider:
 
    def __init__(self):
        # 初始化一下 头部 把刚刚变动的数据改成大括号 便于后面传参  我们中间的很长的那些是一些中文字  可以再页面看到的 这里我就不多说了
        self.url = 'https://image.baidu.com/search/albumsdata?pn={}&rn=30&tn=albumsdetail&word=%E5%AE%A0%E7%89%A9%E5%9B%BE%E7%89%87&album_tab=%E5%8A%A8%E7%89%A9&album_id=688&ic=0&curPageNum={}'
        self.headers = {
            'User-Agent': UserAgent().random
        }

我这里还做了一个sha1加密功能函数 便于后期做增量 这里我是没有做的 只是应用于保存图片的名称

sha1(self, href):
        s = sha1()
        s.update(href.encode())
        return s.hexdigest()

接下来我们就开始爬数据了 第一个先爬取所以图片的源地址 代码如下：

html(self, url):
        img_html = requests.get(url=url, headers=self.headers).text
        # 我们这里需要把数据转换成json格式的数据
        img_json = json.loads(img_html)
        print(img_json)
 
    def crawl(self):
        # 这里进行计算是应该我们看到有185个图片 一个请求只有30个 所以我们计算一下需要发送几个请求
        page = 185 // 30 if 185 % 30 == 0 else 185 // 30 + 1
        for number in range(page):
            number=number+1
            pn = number * 30
            self.parse_html(self.url.format(pn, number))
 
 
if __name__ == '__main__':
    baidu = BaiduSpider()
    baidu.crawl()

然后我们启动一下

然后我们打印一下抓取到的数据格式 如下：

可以看到这里有我们的图片url 我们需要把所需要的rul提取出来 代码如下：

html(self, url):
        img_html = requests.get(url=url, headers=self.headers).text
        # 我们这里需要把数据转换成json格式的数据
        img_json = json.loads(img_html)
        # print(img_json)
   
        for href in img_json['albumdata']['linkData']:
            img_href = href['thumbnailUrl']
 
            # 我们提取出来之后打印一下rul 
            print(img_href)
 
    def crawl(self):
        # 这里进行计算是应该我们看到有185个图片 一个请求只有30个 所以我们计算一下需要发送几个请求
        page = 185 // 30 if 185 % 30 == 0 else 185 // 30 + 1
        for number in range(page):
            number=number+1
            pn = number * 30
            self.parse_html(self.url.format(pn, number))
 
 
if __name__ == '__main__':
    baidu = BaiduSpider()
    baidu.crawl()

结果如下

可以看到我们这里的结果没有问题 接下来我们需要把这些链接的图片下载保存在本地了

需要再写一个函数方法 方便与以后修改 代码如下：

info(self, href):
        # 二级页面请求 下载图片
        html = requests.get(url=href, headers=self.headers).content
        # 进行一个sha1的加密
        sha1_r = self.sha1(href)
        # 创建一个保存图片的路径
        file = 'F:\Study\Spider\img\\'
        # 完整保存图片的链接
        filename = file + sha1_r + '.jpg'
        # 判断有没有这个保存图片的路径  没有则创建
        if not os.path.exists(file):
            os.mkdir(file)
        # 进行图片保存
        with open(filename, 'wb') as f:
            f.write(html)
            # 打印一下图片的信息
            print(filename)

好了 代码到这里就结束了 可能我说的不太好 多谢体谅

完整代码如下：

import json
import os.path
from hashlib import sha1
import requests
from fake_useragent import UserAgent

class BaiduSpider:
    def __init__(self):
        self.url='https://image.baidu.com/search/albumsdata?pn={}&rn=30&tn=albumsdetail&word=%E5%AE%A0%E7%89%A9%E5%9B%BE%E7%89%87&album_tab=%E5%8A%A8%E7%89%A9&album_id=688&ic=0&curPageNum={}'
        self.headers={'User-Agent':UserAgent().random}

    def sha1(self,href):
        s=sha1()
        s.update(href.encode())
        return s.hexdigest()

#     爬取图片的原地址
    def parse_html(self,url):
        img_html=requests.get(url=url,headers=self.headers).text
#       转换成json
        img_json=json.loads(img_html)
        # print(img_json)

        for href in img_json['albumdata']['linkData']:
            img_href = href['thumbnailUrl']
            # print(img_href)
            self.img_info(img_href)

    def crawl(self):
        page=185//30 if 185%30==0 else 185 //30 +1
        for number in range(page):
            number=number+1
            pn=number*30
            self.parse_html(self.url.format(pn,number))


    def img_info(self,href):
        html=requests.get(url=href,headers=self.headers).content
#         进行sha1加密
        sha1_r=self.sha1(href)
        #创建一个保存图片的路径
        file="baidu_img"
        filename=file+"\\"+sha1_r+".jpg"
        if not os.path.exists(file):
            os.mkdir(file)

        with open(filename,'wb') as f:
            f.write(html)
            print(filename)



if __name__ == "__main__":

    print('hello')
    baidu=BaiduSpider()
    baidu.crawl()