py抓取百度各种图片

大家都理解的py作为爬虫界泰斗,可以做很多事情。
今天就来讲讲py爬取百度的各种图片。自己享受吧。代码如下
#!/usr/bin/env python
–# -- coding:utf-8 --

import os
import re
import urllib
import json
import socket
import urllib.request
import urllib.parse
import urllib.error
–# 设置超时
import time

timeout = 5
socket.setdefaulttimeout(timeout)

class Crawler:
# 睡眠时长
__time_sleep = 0.1
__amount = 0
__start_amount = 0
__counter = 0
headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0’}

# 获取图片url内容等
# t 下载图片时间间隔
def __init__(self, t=0.1):
    self.time_sleep = t

# 获取后缀名
def get_suffix(self, name):
    m = re.search(r'\.[^\.]*$', name)
    if m.group(0) and len(m.group(0)) <= 5:
        return m.group(0)
    else:
        return '.jpeg'

# 获取referrer,用于生成referrer
def get_referrer(self, url):
    par = urllib.parse.urlparse(url)
    if par.scheme:
        return par.scheme + '://' + par.netloc
    else:
        return par.netloc

    # 保存图片
def save_image(self, rsp_data, word):
    if not os.path.exists("./" + word):
        os.mkdir("./" + word)
    # 判断名字是否重复,获取图片长度
    self.__counter = len(os.listdir('./' + word)) + 1
    for image_info in rsp_data['imgs']:

        try:
            time.sleep(self.time_sleep)
            suffix = self.get_suffix(image_info['objURL'])
            # 指定UA和referrer,减少403
            refer = self.get_referrer(image_info['objURL'])
            opener = urllib.request.build_opener()
            opener.addheaders = [
                ('User-agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0'),
                ('Referer', refer)
            ]
            urllib.request.install_opener(opener)
            # 保存图片
            urllib.request.urlretrieve(image_info['objURL'], './' + word + '/' + str(self.__counter) + str(suffix))
        except urllib.error.HTTPError as urllib_err:
            print(urllib_err)
            continue
        except Exception as err:
            time.sleep(1)
            print(err)
            print("产生未知错误,放弃保存")
            continue
        else:
            print("小黄图+1,已有" + str(self.__counter) + "张小黄图")
            self.__counter += 1
    return

# 开始获取
def get_images(self, word='美女'):
    search = urllib.parse.quote(word)
    # pn int 图片数
    pn = self.__start_amount
    while pn < self.__amount:

        url = 'http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=' + search + '&cg=girl&pn=' + str(
            pn) + '&rn=60&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=1e0000001e'
        # 设置header防ban
        try:
            time.sleep(self.time_sleep)
            req = urllib.request.Request(url=url, headers=self.headers)
            page = urllib.request.urlopen(req)
            rsp = page.read().decode('unicode_escape')
        except UnicodeDecodeError as e:
            print(e)
            print('-----UnicodeDecodeErrorurl:', url)
        except urllib.error.URLError as e:
            print(e)
            print("-----urlErrorurl:", url)
        except socket.timeout as e:
            print(e)
            print("-----socket timout:", url)
        else:
            # 解析json
            rsp_data = json.loads(rsp)
            self.save_image(rsp_data, word)
            # 读取下一页
            print("下载下一页")
            pn += 60
        finally:
            page.close()
    print("下载任务结束")
    return

def start(self, word, spider_page_num=1, start_page=1):
    """
    爬虫入口
    :param word: 抓取的关键词
    :param spider_page_num: 需要抓取数据页数 总抓取图片数量为 页数x60
    :param start_page:起始页数
    :return:
    """
    self.__start_amount = (start_page - 1) * 60
    self.__amount = spider_page_num * 60 + self.__start_amount
    self.get_images(word)

if name == ‘main’:
crawler = Crawler(0.05) # 抓取延迟为 0.05

# crawler.start('美女', 10, 2)  # 抓取关键词为 “美女”,总数为 1 页(即总共 1*60=60 张),开始页码为 2
crawler.start('游戏 美女', 10, 1)  # 抓取关键词为 “二次元 美女”,总数为 10 页(即总共 10*60=600 张),起始抓取的页码为 1
# crawler.start('帅哥', 5)  # 抓取关键词为 “帅哥”,总数为 5 页(即总共 5*60=300 张)
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值