获取百度图片

最新推荐文章于 2024-06-18 10:52:11 发布

陶豆豆（打怪升级版）

最新推荐文章于 2024-06-18 10:52:11 发布

阅读量567

点赞数 2

分类专栏：爬虫文章标签：百度开发语言 python 爬虫

本文链接：https://blog.csdn.net/qq_61565654/article/details/132954610

版权

爬虫专栏收录该内容

2 篇文章

订阅专栏

友情提示本文章只用于学习不要用于非法活动！！

一、找接口

在百度里搜索关键词，右键点击检查

找到不同页的接口进行找规律

第一页：https://image.baidu.com/search/acjson?tn=resultjson_com&logid=8489582587481387812&ipn=rj&ct=201326592&is=&fp=result&fr=&word=%E5%88%98%E5%BE%B7%E5%8D%8E&cg=star&queryWord=%E5%88%98%E5%BE%B7%E5%8D%8E&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn=30&rn=30&gsm=1e&1694954272827=

第二页：https://image.baidu.com/search/acjson?tn=resultjson_com&logid=8489582587481387812&ipn=rj&ct=201326592&is=&fp=result&fr=&word=%E5%88%98%E5%BE%B7%E5%8D%8E&cg=star&queryWord=%E5%88%98%E5%BE%B7%E5%8D%8E&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn=60&rn=30&gsm=3c&1694954272989=

第三页：https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10457660349195608332&ipn=rj&ct=201326592&is=&fp=result&fr=&word=%E5%88%98%E5%BE%B7%E5%8D%8E&cg=star&queryWord=%E5%88%98%E5%BE%B7%E5%8D%8E&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn=90&rn=30&gsm=5a&1694954624202=

通过观察 pn 是不一样的从第一页 30 到第三页 90 得到规律为：页数 X30

在浏览器中可以看到 Word 是我们输入的关键字，因为 url 中的 word=的值是进行编码后的值。

二、进行百度单线程代码的编写

进行编写查找每一页的 url 存放在 urls 里面代码。

if __name__ == '__main__':
    word = input("请输入你要搜索的关键字：")
    page_size = int(input("请输入爬取的页数："))
    star_time = datetime.now()
    urls = []  # 把每一个接口地址放在urls中
    for i in range(page_size):
        # 得到每一页图片的url
        url = f'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10516430500198415228&ipn=rj&ct=201326592&is=&fp=result&fr=&word={word}&cg=star&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn={(i + 1) * 30}&rn=30&gsm=3c&1694950487982='
        urls.append(url)

通过接口地址爬取图片

要想爬取到图片就要找到图片的 url，整张页面的 url 已经拿到了要在拿到的页面中找到图片的 url：thumbURL。

import json
import requestsdef down_imgs(url):
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
    }
    # 如果服务端返回的是文本数据，就用text获取
    # 如果服务端返回的是二进制数据（图片、音频、视频等）
    # 就是content
    res = requests.get(url, headers=header).text
  	# 将json字符串变成字典
    dic = json.loads(res) 
    for item in dic["data"]:
        # 获取图片地址
        img_url = item.get("thumbURL", "") # 如果字典中没有thumURL就获取空字符串就不会报错
        if img_url != "":
            # 拿到图片数据
            print(img_data)

进行图片的下载和存储，创建文件夹 file 使所有的图片都有一个唯一的文件名

import uuid
file_name = uuid.uuid4()
with open(f"pics/{file_name}.jpg", 'wb') as f:
                f.write(img_data)

三、单线程爬取图片

单线程完整代码

import json
import uuid
import requests
from datetime import datetime


# 通过接口地址，爬取图片！！
def down_imgs(url):
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
    }
    # 如果服务端返回的是文本数据，就用text获取
    # 如果服务端返回的是二进制数据（图片、音频、视频等）
    # 就是content
    res = requests.get(url, headers=header).text
    # 将json字符串变成字典
    dic = json.loads(res)
    for item in dic["data"]:
        # 获取图片地址
        img_url = item.get("thumbURL", "")
        if img_url != "":
            # 拿到图片数据
            img_data = requests.get(img_url, headers=header).content

            # wb 写入二进制数据
            # 获取到一个全球唯一的文件名
            file_name = uuid.uuid4()
            with open(f"pics/{file_name}.jpg", 'wb') as f:
                f.write(img_data)


if __name__ == '__main__':
    word = input("请输入你要搜索的关键字：")
    page_size = int(input("请输入爬取的页数："))
    star_time = datetime.now()
    urls = []  # 把每一个接口地址放在urls中
    for i in range(page_size):
        # 得到每一页图片的url
        url = f'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10516430500198415228&ipn=rj&ct=201326592&is=&fp=result&fr=&word={word}&cg=star&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn={(i + 1) * 30}&rn=30&gsm=3c&1694950487982='
        urls.append(url)
    # 单线程代码
    for url in urls:
        down_imgs(url)
    finish_time = datetime.now()
    print(f"总共花费了{(finish_time-star_time).seconds}秒！")

四、多线程爬取图片

多线程相关代码代码

这里使用的线程为 5 个（ max_workers=5），可以进行修改。

import json
import uuid
import requests
from datetime import datetime
from concurrent.futures import ThreadPoolExecutor
if __name__ == '__main__':
    word = input("请输入你要搜索的关键字：")
    page_size = int(input("请输入爬取的页数："))
    star_time = datetime.now()
    urls = []  # 把每一个接口地址放在urls中
    for i in range(page_size):
        # 得到每一页图片的url
        url = f'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10516430500198415228&ipn=rj&ct=201326592&is=&fp=result&fr=&word={word}&cg=star&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn={(i + 1) * 30}&rn=30&gsm=3c&1694950487982='
        urls.append(url)
  
    # 多线程代码
    with ThreadPoolExecutor(max_workers=5) as exe:
        for url in urls:
            exe.submit(down_imgs, url)

多线程完整代码

import json
import uuid
import requests
from datetime import datetime
from concurrent.futures import ThreadPoolExecutor


# 通过接口地址，爬取图片！！
def down_imgs(url):
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
    }
    # 如果服务端返回的是文本数据，就用text获取
    # 如果服务端返回的是二进制数据（图片、音频、视频等）
    # 就是content
    res = requests.get(url, headers=header).text
    # 将json字符串变成字典
    dic = json.loads(res)
    for item in dic["data"]:
        # 获取图片地址
        img_url = item.get("thumbURL", "")
        if img_url != "":
            # 拿到图片数据
            img_data = requests.get(img_url, headers=header).content

            # wb 写入二进制数据
            # 获取到一个全球唯一的文件名
            file_name = uuid.uuid4()
            with open(f"pics/{file_name}.jpg", 'wb') as f:
                f.write(img_data)


if __name__ == '__main__':
    word = input("请输入你要搜索的关键字：")
    page_size = int(input("请输入爬取的页数："))
    star_time = datetime.now()
    urls = []  # 把每一个接口地址放在urls中
    for i in range(page_size):
        # 得到每一页图片的url
        url = f'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10516430500198415228&ipn=rj&ct=201326592&is=&fp=result&fr=&word={word}&cg=star&queryWord={word}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn={(i + 1) * 30}&rn=30&gsm=3c&1694950487982='
        urls.append(url)
  
    # 多线程代码
    with ThreadPoolExecutor(max_workers=5) as exe:
        for url in urls:
            exe.submit(down_imgs, url)
    finish_time = datetime.now()
    print(f"总共花费了{(finish_time - star_time).seconds}秒！")