Python爬虫实战 | (9) 爬取搜狗图片

本篇博客我们将爬取百度图片，输入搜索词，爬取与搜索词相关的图片。

首先打开搜狗图片https://pic.sogou.com/，比如搜索"猫"，此时的URL如下：

https://pic.sogou.com/pics?query=%C3%A8&w=05009900&p=&_asf=pic.sogou.com&_ast=1563449302&sc=index&sut=8710&sst0=1563449302189

如果仅凭借URL来爬取的话，URL中需要体现出搜索词信息以及页数信息，所以我们需要使用下面这个URL(至于这个URL是怎么得到的，目前我也不清楚，先照搬)：

https://pic.sogou.com/pics?query={}&mode=1&start={}&reqType=ajax&reqFrom=result&tn=0

其中第一个{}替换为搜索词，第二个搜索词替换为页数信息。

首先搭建程序主体框架：

import time
import requests
import os
from requests import RequestException
import json


def get_page(url):
    pass


def parse_page(html, count, word):
    pass


if __name__ == '__main__':
    word = '猫'  # 关键词
    page = 10  # 爬取的页数
    count = 0  #图片计数

    if not os.path.exists(word):
        os.makedirs(word)  # 建目录

    for i in range(page):
        url =  'https://pic.sogou.com/pics?query={}&mode=1&start={}&reqType=ajax&reqFrom=result&tn=0'.format(word,i*48)
        # 发送请求、获取响应
        html = get_page(url)
        # 解析响应 数据存储
        count = parse_page(html, count, word)

        time.sleep(1)

发送请求获取响应，编写get_page(url)函数：

def get_page(url):
    try:
        # 添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            response.encoding = response.apparent_encoding
            return response
        return None
    except RequestException:
        return None

 注意和之前不同，这里指返回response，因为在解析首页时，我们需要的是response.text;当获取图片URL爬取保存图片时，需要的是response.content。返回response，两次请求可以通用这个函数。

打开上面的链接，会发现他返回的是json格式的数据：

所有的图片信息都在items下，上图蓝色阴影代表一张图片的信息，内部都是由一些键值对组成，我们关心的是pic_url字段，他的值是图片真正的链接。所以，我们要先把图片的pic_url解析出来，然后再进行图片爬取，和保存。

解析响应，解析json数据，提取middleURL并保存，然后爬取pic_url，保存图片：

def parse_page(html, count, word):
    html = html.text
    if html:
        p = json.loads(html)['items']  # 转为json格式  提取items字段
        print(len(p))  # 图片数
        for i in p[:-1]:  # [0:5]前5张
            print(i['pic_url'])
            count = count + 1
            # 数据保存
            with open(word + '/' + word + '_url_搜狗.txt', 'a', encoding='utf-8') as f:
                f.write(i['pic_url'] + '\n')
            pic = get_page(i['pic_url'])
            if pic:
                with open(word + '/' + '搜狗_'+str(count) + '.jpg', 'wb') as f:
                    f.write(pic.content)
            time.sleep(1)

        return count

完整代码：

import time
import requests
import os
from requests import RequestException
import json


def get_page(url):
    try:
        # 添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            response.encoding = response.apparent_encoding
            return response
        return None
    except RequestException:
        return None


def parse_page(html, count, word):
    html = html.text
    if html:
        p = json.loads(html)['items']  # 转为json格式  提取items字段
        print(len(p))  # 图片数
        for i in p[:-1]:  # [0:5]前5张
            print(i['pic_url'])
            count = count + 1
            # 数据保存
            with open(word + '/' + word + '_url_搜狗.txt', 'a', encoding='utf-8') as f:
                f.write(i['pic_url'] + '\n')
            pic = get_page(i['pic_url'])
            if pic:
                with open(word + '/' + '搜狗_'+str(count) + '.jpg', 'wb') as f:
                    f.write(pic.content)
            time.sleep(1)

        return count


if __name__ == '__main__':
    word = '猫'  # 关键词
    page = 10  # 爬取的页数
    count = 0  #图片计数

    if not os.path.exists(word):
        os.makedirs(word)  # 建目录

    for i in range(page):
        url =  'https://pic.sogou.com/pics?query={}&mode=1&start={}&reqType=ajax&reqFrom=result&tn=0'.format(word,i*48)
        # 发送请求、获取响应
        html = get_page(url)
        # 解析响应 数据存储
        count = parse_page(html, count, word)

        time.sleep(1)