selenium进行xhs图片爬虫：04selenium实现获取一篇文章图片

📚博客主页：knighthood2001
✨公众号：认知up吧 （目前正在带领大家一起提升认知，感兴趣可以来围观一下）
🎃知识星球：【认知up吧|成长|副业】介绍
❤️感谢大家点赞👍🏻收藏⭐评论✍🏻，您的三连就是我持续更新的动力❤️
🙏笔者水平有限，欢迎各位大佬指点，相互学习进步！

上文我说了，我本来是用今天这个方法进行爬虫的，selenium远程调试的思路，这样的好处就是不需要你进行登录。

比如下面的的小红书链接
100篇阅读理解刷爆大纲5500词|2001年Text3 - 小红书

我需要将其中的图片下载下来，并且还是无水印的。

前言

右键检查，可以发现图片一般有专门的网址，并且点击进去后是无水印的。

你可以自己多研究一下

然后右键，查看网页源代码，可以发现图片链接都在这个地方出现。

因此你可以通过正则表达式进行图片链接的提取。

下面这张图片中的代码就是将图片链接保存为本地图片。这也是我之前讲过的内容，相对于这些都是可以即插即用的模板。

因此实现爬取小红书指定文章的图片的一般步骤就是：

获取网页源代码->使用正则表达式筛选出图片链接->将图片链接的内容保存为本地图片

项目准备

针对xhs的反爬

由于小红书反爬比较恶心，我这里采用的是selenium操作已经打开的浏览器。该原理是selenium进行远程调控，这个好处就是不需要登录（没有很好措施的话，很容易扫码登录也失败，再加上笔者好久没有深入研究cookie这方面内容了，很多东西忘了）

如果这方面不太会的，可以看看我下面这篇文章，或者你们使用保存cookie的方法进行登录。

最新：Selenium操作已经打开的Chrome(免登录)

简单例子

比如你已经打开了一个链接

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

# TODO 实现免登录爬虫
options = Options()
options.add_experimental_option("debuggerAddress", "127.0.0.1:9527")
driver = webdriver.Chrome(options=options)
# 打印网页title
print(driver.current_url)
print(driver.title)

使用上面的方法，你用selenium，就不需要弹出登录让你登录（有时候爬虫最难的就是登录问题）

运行结果如下,是不是比较轻松。

编写其他代码

解决了登录问题，后面的就比较好解决了。

但是这次代码，相对于我上面那个即插即用的模板来说，不太一样。因为我上面的那个模板，每次保存图片，由于时间戳一样，就会导致即使有多个图片链接，但是最后都是以一个时间戳命名，最后就保存为1张照片（被反复覆盖了）。

因此我需要进行代码的重构，我的想法是把for循环遍历放到保存图片中，原先保存图片是传入的一个链接，我这时候传入的是一个列表，然后通过for循环进行图片的保存。

并且图片的上一级目录还有一个时间戳，可以帮助你排序，分辨下载先后顺序。

这一部分的代码，和之前版本来说，还是有较大区别的。

#TODO 实现输入一个图片url列表，将其中的图片保存到目录中，并按照1-nums排序，这样可以保证下载下来的图片顺序不乱。
#TODO 比如输入[图片链接1,图片链接2,图片链接3]和"image"，最后就会生成image/时间戳的目录，然后在里面保存1.png，2.png，3.png
def image_save_batch(image_urls, save_dir):
    time_path = get_time()
    path = os.path.join(save_dir, str(time_path))
    if not os.path.exists(path):
        os.makedirs(path)

    for i, url in enumerate(image_urls):
        # 发送 GET 请求获取图片数据
        response = requests.get(url)
        # 确保请求成功
        if response.status_code == 200:
            # 生成图片文件名
            image_name = f"{time_path}/{i}.png"
            # 拼接图片保存路径
            save_path = os.path.join(save_dir, image_name)
            # 将图片数据写入文件
            with open(save_path, 'wb') as f:
                f.write(response.content)
            print(f'图片{i+1}已保存为: {save_path}')
        else:
            print(f'下载图片{i+1}失败，状态码: {response.status_code}')


def get_img_url_list(content):
    # 使用正则表达式提取网址
    url_pattern = re.compile(r'<meta name="og:image" content="(.*?)">')
    matches = url_pattern.findall(content)
    if matches:
        # 去重+顺序
        # unique_matches = list(set(matches)) # 会乱序
        unique_matches = list(Counter(matches))
        nums = len(unique_matches)
        print(f"图片数量：{nums}， 图片去重数量：{len(matches)-nums}")
        print(unique_matches)
        # # 打印每个网址
        # for i in range(nums):
        #     print(unique_matches[i])
        #     image_save(unique_matches[i], "images")
        image_save_batch(unique_matches, "images")
    else:
        print("No URL found.")

需要注意的一点是，matches中的图片链接有时候会有重复，因此需要去重操作，但是set函数的去重操作是无序的，会导致最终图片保存顺序为乱序。
因此我这里采用调用collections的Counter，解决去重＋乱序的问题。

全部代码

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from collections import Counter  # 解决去重+乱序问题
import re
import os
import requests

# TODO 实现免登录爬虫
options = Options()
options.add_experimental_option("debuggerAddress", "127.0.0.1:9527")
driver = webdriver.Chrome(options=options)
# 打印网页title
print(driver.current_url)
print(driver.title)

# 获取当前时间戳
def get_time():
    import time
    timestamp = int(time.time())
    return timestamp

#TODO 实现输入一个图片url列表，将其中的图片保存到目录中，并按照1-nums排序，这样可以保证下载下来的图片顺序不乱。
#TODO 比如输入[图片链接1,图片链接2,图片链接3]和"image"，最后就会生成image/时间戳的目录，然后在里面保存1.png，2.png，3.png
def image_save_batch(image_urls, save_dir):
    time_path = get_time()
    path = os.path.join(save_dir, str(time_path))
    if not os.path.exists(path):
        os.makedirs(path)

    for i, url in enumerate(image_urls):
        # 发送 GET 请求获取图片数据
        response = requests.get(url)
        # 确保请求成功
        if response.status_code == 200:
            # 生成图片文件名
            image_name = f"{time_path}/{i}.png"
            # 拼接图片保存路径
            save_path = os.path.join(save_dir, image_name)
            # 将图片数据写入文件
            with open(save_path, 'wb') as f:
                f.write(response.content)
            print(f'图片{i+1}已保存为: {save_path}')
        else:
            print(f'下载图片{i+1}失败，状态码: {response.status_code}')


def get_img_url_list(content):
    # 使用正则表达式提取网址
    url_pattern = re.compile(r'<meta name="og:image" content="(.*?)">')
    matches = url_pattern.findall(content)
    if matches:
        # 去重+顺序
        # unique_matches = list(set(matches)) # 会乱序
        unique_matches = list(Counter(matches))
        nums = len(unique_matches)
        print(f"图片数量：{nums}， 图片去重数量：{len(matches)-nums}")
        print(unique_matches)
        # # 打印每个网址
        # for i in range(nums):
        #     print(unique_matches[i])
        #     image_save(unique_matches[i], "images")
        image_save_batch(unique_matches, "images")
    else:
        print("No URL found.")

if __name__ == '__main__':
    page_source = driver.page_source
    get_img_url_list(page_source)

最后

这个项目也算是搭积木吧，但是我觉得应该挺多人需要。因为有时候一张一张手动保存有水印的小红书图片，慢且有水印。

当然，代码中有一些细节，我并没有讲到，因为我发现，写文档真的太折磨人了。