推荐一下我建的python学习交流扣扣qun:850973621,群里有免费的视频教程,开发工具、电子书籍、项目源码分享。学习python web、python爬虫、数据分析、大数据,人工智能等技术有不懂的可以加入一起交流学习,一起进步!
声明:文中所有文字、图片以及相关外链中直接或间接、明示或暗示涉及性别、颜值分数等信息全部由相关人脸检测接口给出。无任何客观性,仅供参考。
1 数据源
知乎话题『美女』下所有问题中回答所出现的图片
2 抓取工具
Python 3,并使用第三方库 Requests、lxml、AipFace,代码共 100 + 行
3 必要环境
Mac / Linux / Windows (Linux 没测过,理论上可以。Windows 之前较多反应出现异常,后查是 windows 对本地文件名中的字符做了限制,已使用正则过滤)
无需登录知乎(即无需提供知乎帐号密码)
人脸检测服务需要一个百度云帐号(即百度网盘 / 贴吧帐号)
4 人脸检测库
AipFace,由百度云 AI 开放平台提供,是一个可以进行人脸检测的 Python SDK。可以直接通过 HTTP 访问,免费使用。
文档中心–百度AI:ai.baidu.com。
5 检测过滤条件
过滤所有未出现人脸图片(比如风景图、未露脸身材照等)
过滤所有非女性(在抓取中,发现知乎男性图片基本是明星,故不考虑;存在 AipFace 性别识别不准的情况)
过滤所有非真实人物,比如动漫人物 (AipFace Human 置信度小于 0.6)
过滤所有颜值评分较低图片(AipFace beauty 属性小于 45,为了节省存储空间;再次声明,AipFace 评分无任何客观性)
6 实现逻辑
通过 Requests 发起 HTTP 请求,获取『美女』下的部分讨论列表
通过 lxml 解析抓取到的每个讨论中 HTML,获取其中所有的 img 标签相应的 src 属性
通过 Requests 发起 HTTP 请求,下载 src 属性指向图片(不考虑动图)
通过 AipFace 请求对图片进行人脸检测
判断是否检测到人脸,并使用 『4 检测过滤条件』过滤
将过滤后的图片持久化到本地文件系统,文件名为 颜值 + 作者 + 问题名 + 序号
返回第一步,继续
7 抓取结果
直接存放在文件夹中(angelababy 实力出境)。另外说句,目前抓下来的图片,除 baby 外,88 分是最高分。个人对其中的排序表示反对,老婆竟然不是最高分
8 代码
import
time
import
os
import
re
import
requests
from
lxml
import
etree
from
aip
import
AipFace
#百度云 人脸检测 申请信息
#唯一必须填的信息就这三行
APP_ID
=
"xxxxxxxx"
API_KEY
=
"xxxxxxxxxxxxxxxxxxxxxxxx"
SECRET_KEY
=
"xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
# 文件存放目录名,相对于当前目录
DIR
=
"image"
# 过滤颜值阈值,存储空间大的请随意
BEAUTY_THRESHOLD
=
45
#如果权限错误,浏览器中打开知乎,在开发者工具复制一个,无需登录
#建议最好换一个,因为不知道知乎的反爬虫策略,如果太多人用同一个,可能会影响程序运行
#如何替换该值下文有讲述
AUTHORIZATION
=
"oauth c3cef7c66a1843f8b3a9e6a1e3160e20"
#以下皆无需改动
#每次请求知乎的讨论列表长度,不建议设定太长,注意节操
LIMIT
=
5
#这是话题『美女』的 ID,其是『颜值』(20013528)的父话题
SOURCE
=
"19552207"
#爬虫假装下正常浏览器请求
USER_AGENT
=
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.55.3 (KHTML, like Gecko) Version/5.1.5 Safari/534.55.3"
#爬虫假装下正常浏览器请求
REFERER
=
"https://www.zhihu.com/topic/%s/newest"
%
SOURCE
#某话题下讨论列表请求 url
BASE_URL
=
"https://www.zhihu.com/api/v4/topics/%s/feeds/timeline_activity"
#初始请求 url 附带的请求参数
URL_QUERY
=
"?include=data%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.is_normal%2Ccomment_count%2Cvoteup_count%2Ccontent%2Crelevant_info%2Cexcerpt.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cvoteup_count%2Ccomment_count%2Cvoting%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Dpeople%29%5D.target.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dquestion%29%5D.target.comment_count&limit="
+
str
(
LIMIT
)
#指定 url,获取对应原始内容 / 图片
def
fetch_image
(
url
):
try
:
headers
=
{
"User-Agent"
:
USER_AGENT
,
"Referer"
:
REFERER
,
"authorization"
:
AUTHORIZATION
}
s
=
requests
.
get
(
url
,
headers
=
headers
)
except
Exception
as
e
:
print
(
"fetch last activities fail. "
+
url
)
raise
e
return
s
.
content
#指定 url,获取对应 JSON 返回 / 话题列表
def
fetch_activities
(
url
):
try
:
headers
=
{
"User-Agent"
:
USER_AGENT
,
"Referer"
:
REFERER
,
"authorization"
:
AUTHORIZATION
}
s
=
requests
.
get
(
url
,
headers
=
headers
)
except
Exception
as
e
:
print
(
"fetch last activities fail. "
+
url
)
raise
e
return
s
.
json
()
#处理返回的话题列表
def
process_activities
(
datums
,
face_detective
):
for
data
in
datums
[
"data"
]:
target
=
data
[
"target"
]
if
"content"
not
in
target
or
"question"
not
in
target
or
"author"
not
in
target
:
continue
#解析列表中每一个元素的内容
html
=
etree
.
HTML
(
target
[
"content"
])
seq
=
0
#question_url = target["question"]["url"]
question_title
=
target
[
"question"
][
"title"
]
author_name
=
target
[
"author"
][
"name"
]
#author_id = target["author"]["url_token"]
print
(
"current answer: "
+
question_title
+
" author: "
+
author_name
)
#获取所有图片地址
images
=
html
.
xpath
(
"//img/@src"
)
for
image
in
images
:
if
not
image
.
startswith
(
"http"
):
continue
s
=
fetch_image
(
image
)
#请求人脸检测服务
scores
=
face_detective
(
s
)
for
score
in
scores
:
filename
=
(
"%d--"
%
score
)
+
author_name
+
"--"
+
question_title
+
(
"--%d"
%
seq
)
+
".jpg"
filename
=
re
.
sub
(
r
'(?u)[^-\w.]'
,
'_'
,
filename
)
#注意文件名的处理,不同平台的非法字符不一样,这里只做了简单处理,特别是 author_name / question_title 中的内容
seq
=
seq
+
1
with
open
(
os
.
path
.
join
(
DIR
,
filename
),
"wb"
)
as
fd
:
fd
.
write
(
s
)
#人脸检测 免费,但有 QPS 限制
time
.
sleep
(
2
)
if
not
datums
[
"paging"
][
"is_end"
]:
#获取后续讨论列表的请求 url
return
datums
[
"paging"
][
"next"
]
else
:
return
None
def
get_valid_filename
(
s
):
s
=
str
(
s
).
strip
().
replace
(
' '
,
'_'
)
return
re
.
sub
(
r
'(?u)[^-\w.]'
,
'_'
,
s
)
def
init_face_detective
(
app_id
,
api_key
,
secret_key
):
client
=
AipFace
(
app_id
,
api_key
,
secret_key
)
#人脸检测中,在响应中附带额外的字段。年龄 / 性别 / 颜值 / 质量
options
=
{
"face_fields"
:
"age,gender,beauty,qualities"
}
def
detective
(
image
):
r
=
client
.
detect
(
image
,
options
)
#如果没有检测到人脸
if
r
[
"result_num"
]
==
0
:
return
[]
scores
=
[]
for
face
in
r
[
"result"
]:
#人脸置信度太低
if
face
[
"face_probability"
]
<
0.6
:
continue
#真实人脸置信度太低
if
face
[
"qualities"
][
"type"
][
"human"
]
<
0.6
:
continue
#颜值低于阈值
if
face
[
"beauty"
]
<
BEAUTY_THRESHOLD
:
continue
#性别非女性
if
face
[
"gender"
]
!=
"female"
:
continue
scores
.
append
(
face
[
"beauty"
])
return
scores
return
detective
def
init_env
():
if
not
os
.
path
.
exists
(
DIR
):
os
.
makedirs
(
DIR
)
init_env
()
face_detective
=
init_face_detective
(
APP_ID
,
API_KEY
,
SECRET_KEY
)
url
=
BASE_URL
%
SOURCE
+
URL_QUERY
while
url
is
not
None
:
print
(
"current url: "
+
url
)
datums
=
fetch_activities
(
url
)
url
=
process_activities
(
datums
,
face_detective
)
#注意节操,爬虫休息间隔不要调小
time
.
sleep
(
5
)
# vim: set ts=4 sw=4 sts=4 tw=100 et:
9 运行准备
安装 Python 3,Download Python
安装 requests、lxml、baidu-aip 库,都可以通过 pip 安装,一行命令
申请百度云检测服务,免费。人脸识别-百度AI
要求登录,百度帐号可以直接使用(贴吧/网盘通用),没有只能注册
点击创建应用
随便填下
将 AppID ApiKek SecretKey 填写到 代码 中
(可选)配置自定义信息,如图片存储目录、颜值阈值、人脸置信度等
(可选)若请求知乎失败,返回如下。需更改 AUTHORIZATION,可从开发者工具中获取(如下图)
{
"error"
:
{
"message"
:
"ZERR_NO_AUTH_TOKEN"
,
"code"
:
100
,
"name"
:
"AuthenticationInvalidRequest"
}
}
Chrome 浏览器;找一个知乎链接点进去,打开开发者工具,查看 HTTP 请求 header;无需登录
运行 *
10 结语
因是人脸检测,所以可能有些福利会被筛掉。百度图像识别 API 还有一个叫做色情识别。这个 API 可以识别不可描述以及性感指数程度,可以用这个 API 来找福利(逃 图像审核-百度AI:cloud.baidu.com
如果实在不想申请百度云服务,可以直接把人脸检测部分注释掉,当做单纯的爬虫使用 人脸检测部分可以替换成其他厂商服务或者本地模型,这里用百度云是因为它不要钱
抓了几千张照片,效果还是挺不错的。有兴趣可以把代码贴下来跑跑试试
这边文章只是基础爬虫 + 数据过滤来获取较高质量数据的示例,希望有兴趣者可以 run 下,代码里有很多地方可以很容易的修改,从最简单的数据源话题变更、抓取数据字段增加和删除到图片过滤条件修改都很容易。如果再稍微花费时间,变更为抓取某人动态(比如轮子哥,数据质量很高)、探索 HTTP 请求中哪些 header 和 query 是必要的,文中代码都只需要非常局部性的修改。至于人脸探测,或者其他机器学习接口,可以提供非常多的功能用于数据过滤,但哪些过滤是具备高可靠性,可信赖的且具备可用性,这个大概是经验和反复试验,这就是额外的话题了;顺便希望大家有良好的编码习惯
最后再次声明,颜值得分以及性别过滤存在 bad case,请勿认真对待。
推荐一下我建的python学习交流扣扣qun:850973621,群里有免费的视频教程,开发工具、电子书籍、项目源码分享。学习python web、python爬虫、数据分析、大数据,人工智能等技术有不懂的可以加入一起交流学习,一起进步!