大数据下的图片类别以及图片爬取详细的过程（二）

上篇博客可入门，并且爬取图片类别和图片的过程。

https://blog.csdn.net/qq_41479464/article/details/94393390 

 

 

 下面可以在name.txt的文件中输入任何你想要的图片

（2）利用关键字拿取图片的过程：类别可以直接输入，这里可以爬你想要的关键字，比如美女，恐龙，杨幂，等等的类别。默认按行读取。

利用关键字爬取图片过程:

首先一样我想要去找图片网站这时候搜索关键字,网站会跳转到那个网站是一个问题,开始进行网站之间关联性进行分析:

首先是百度图片的网站:http://image.baidu.com/如图一所示:

 

                                                 图一 

 

然后我在这个网站中输入关键字,比如霸王龙,这时候跳转的页面会有相关记录推荐,和图片展示如图二所示:这是我们对url进行分析,发现了一条规律,前面的url都是像下面这这条url一样只是关键字不同,外加后面pn的赋值的部分不同。

http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=霸王龙&pn=0

上面这条url是第一页的url当我们进行pn=10或者pn=30这个时候可进行页面的换页操作。

如图二所示:

 

                                                       图二

 

对网站分析好url，以及关键字的替换，这个时候我们开始对单个页面进行单个图片的url的获取。同样的我们使用Chrome浏览器，并且用Xpath的辅助工具检验,检验效果如图三所示:

可以很清楚的看见右侧已经出现了图片的url这个时候我只需要考虑怎么进行换页操作就可以了,因为上面说了,换页就是url后面的pn=10,20,30.这样换页的问题也解决完了。

 

                                               图三

 虽然xpath可以定位到图片的url，但是这个时候还有一种方法定位图片url，因为上一个爬取类别的爬虫写的xpath,所以这个时候想采用正则表达式写调试代码的url如图四和图五所示,这时候可以看见正则表达式拿取了第一个页面所有的图片的url。

 

                                                            图四

 

                                                            图五

 

还有一个相关记录推荐，这个时候我们对其进行打印输出写入文件，可以看到图片和图片以及图片和文字的相关性。

下面是利用关键字爬取图片的完整代码：

 

import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os
num = 0
numPicture = 0
file = ''
List = []
def Find(url):
    global List
    print('正在检测图片总数，请稍等.....')
    t = 0
    i = 1
    s = 0
    while t < 10000:
        Url = url + str(t)
        try:
            Result = requests.get(Url, timeout=7)
        except BaseException:
            t = t + 60
            continue
        else:
            result = Result.text
            pic_url = re.findall('"objURL":"(.*?)",', result, re.S)  # 先利用正则表达式找到图片url
            s += len(pic_url)
            if len(pic_url) == 0:
                break
            else:
                List.append(pic_url)
                t = t + 60
    return s
def recommend(url):
    Re = []
    try:
        html = requests.get(url)
    except error.HTTPError as e:
        return
    else:
        html.encoding = 'utf-8'
        bsObj = BeautifulSoup(html.text, 'html.parser')
        div = bsObj.find('div', id='topRS')
        if div is not None:
            listA = div.findAll('a')
            for i in listA:
                if i is not None:
                    Re.append(i.get_text())
        return Re

def dowmloadPicture(html, keyword):
    global num
    # t =0
    pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 先利用正则表达式找到图片url
    print('找到关键词:' + keyword + '的图片，即将开始下载图片...')
    for each in pic_url:
        print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))
        try:
            if each is not None:
                pic = requests.get(each, timeout=7)
            else:
                continue
        except BaseException:
            print('错误，当前图片无法下载')
            continue
        else:
            string = file + r'\\' + keyword + '_' + str(num) + '.jpg'
            fp = open(string, 'wb')
            fp.write(pic.content)
            fp.close()
            num += 1
        if num >= numPicture:
            return


if __name__ == '__main__':  # 主函数入口
    tm = int(input('请输入每类图片的下载数量 '))
    numPicture = tm
    line_list = []
    with open('./name.txt', encoding='utf-8') as file:
        line_list = [k.strip() for k in file.readlines()]  # 用 strip()移除末尾的空格

    for word in line_list:
        url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='
        tot = Find(url)
        Recommend = recommend(url)  # 记录相关推荐
        print('经过检测%s类图片共有%d张' % (word, tot))
        file = word + '文件'
        y = os.path.exists(file)
        if y == 1:
            print('该文件已存在，请重新输入')
            file = word + '文件夹2'
            os.mkdir(file)
        else:
            os.mkdir(file)
        t = 0
        tmp = url
        while t < numPicture:
            try:
                url = tmp + str(t)
                result = requests.get(url, timeout=10)
                print(url)
            except error.HTTPError as e:
                print('网络错误，请调整网络后重试')
                t = t + 60
            else:
                dowmloadPicture(result.text, word)
                t = t + 60
        numPicture = numPicture + tm

    print('当前搜索结束，感谢使用')