使用selenium爬取百度图片

在做机器学习、深度学习模型训练时，最重要的事情之一就是寻找足量的数据，但是，往往我们手边都没有现成的数据，需要在网上寻找下载，这个时候就可能会用到爬虫。随着网页升级、反爬机制，使得爬虫也要不断变化。因此，目前对百度图片的爬取也不如之前那么简单了，需要增加自动下拉条的能力，不然，只能爬取20张。话不多说，直接上代码吧！

import os
import re
import time
import json
import base64
import requests
from bs4 import BeautifulSoup
from selenium import webdriver


def load_url(url):
	#创建chrome浏览器驱动
	driver= webdriver.Chrome()
	#打开你的访问地址
	driver.get(url)
	# 获取页面初始高度
	js = "return action=document.body.scrollHeight"
	height = driver.execute_script(js)
	# 将滚动条调整至页面底部
	driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
	time.sleep(5)
	#定义初始时间戳（秒）
	t1 = int(time.time())
	#定义循环标识，用于终止while循环
	status = True
	# 重试次数
	num=0
	while status:
		# 获取当前时间戳（秒）
		t2 = int(time.time())
		# 判断时间初始时间戳和当前时间戳相差是否大于30秒，小于30秒则下拉滚动条
		if t2-t1 < 30:
			new_height = driver.execute_script(js)
			if new_height > height :
				time.sleep(1)
				driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
				# 重置初始页面高度
				height = new_height
				# 重置初始时间戳，重新计时
				t1 = int(time.time())
		elif num < 3:                        # 当超过30秒页面高度仍然没有更新时，进入重试逻辑，重试3次，每次等待30秒
			time.sleep(3)
			num = num+1
		else:    # 超时并超过重试次数，程序结束跳出循环，并认为页面已经加载完毕！
			print("滚动条已经处于页面最下方！")
			status = False
			# 滚动条调整至页面顶部
			driver.execute_script('window.scrollTo(0, 0)')
			break
	content = driver.page_source.encode('utf-8')
	driver.close()
	return content

def analysis_html(content, save_path):
	# 定义爬虫header
	headers = {"User-Agent":'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36'}  # 需修改，按照你的电脑chrome版本而定
	# 解析爬取的网页
	content = BeautifulSoup(content, 'lxml')
	# 查找图片的父标签
	res = content.find_all("img", class_='main_img img-hover')
	# 查找到图片标签，而且保存图片
	for i in range(len(res)):
		src = res[i].attrs["src"]
		try:
			# 分为两种情况：第一、网页上显示图片的base64编解码格式；第二、网页上显示图片的url
			if src.startswith('data'):
				data = src.split(',')[1]
				image_data = base64.b64decode(data)
				print("正在下载：第%s张图片" % str(i))
				with open(os.path.join(save_path, 
					'{}.jpg'.format(str(i).zfill(4))), 'wb') as f:
					f.write(image_data)
			else:
				data = requests.get(src, timeout=60, headers=headers)
				print("正在下载：第%s张图片" % str(i))
				with open(os.path.join(save_path, '{}.jpg'.format(str(i).zfill(4))), 'wb') as f:
					f.write(data.content)
		except Exception as e:
			print("第%s张图片格式错误" % str(i))
			print("错误原因为: %s" % e)
	print("下载完毕")
if __name__ == "__main__":
	url = "你的百度图片爬取URL"
	save_path = '你的保存路径'
	content = load_url(url)
	analysis_html(content, save_path)