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
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
本文代码长达百行，鉴于微信公众号上代码阅读体验实在不佳，小编已将源代码进行保存，请前往微信公众号后台回复关键字「知乎爬虫」获取。
微信后台传送门
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×××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
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
❈
作者：邓卓
来源：https://zhuanlan.zhihu.com/p/34425618
扫一扫
1109
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
