1 数据源
知乎话题『美女』下所有问题中回答所出现的图片
2 抓取工具
Python 3,并使用第三方库 Requests、lxml、AipFace,代码共 100 + 行
3 必要环境
- Mac / Linux / Windows (Linux 没测过,理论上可以。Windows 之前较多反应出现异常,后查是 windows 对本地文件名中的字符做了限制,已使用正则过滤)
- 无需登录知乎(即无需提供知乎帐号密码)
- 人脸检测服务需要一个百度云帐号(即百度网盘 / 贴吧帐号)
4 人脸检测库
AipFace,由百度云 AI 开放平台提供,是一个可以进行人脸检测的 Python SDK。可以直接通过 HTTP 访问,免费使用。
5 检测过滤条件
- 过滤所有未出现人脸图片(比如风景图、未露脸身材照等)
- 过滤所有非女性(在抓取中,发现知乎男性图片基本是明星,故不考虑;存在 AipFace 性别识别不准的情况)
- 过滤所有非真实人物,比如动漫人物 (AipFace Human 置信度小于 0.6)
- 过滤所有颜值评分较低图片(AipFace beauty 属性小于 45,为了节省存储空间;再次声明,AipFace 评分无任何客观性)
6 实现逻辑
- 通过 Requests 发起 HTTP 请求,获取『美女』下的部分讨论列表
- 通过 lxml 解析抓取到的每个讨论中 HTML,获取其中所有的 img 标签相应的 src 属性
- 通过 Requests 发起 HTTP 请求,下载 src 属性指向图片(不考虑动图)
- 通过 AipFace 请求对图片进行人脸检测
- 判断是否检测到人脸,并使用 『4 检测过滤条件』过滤
- 将过滤后的图片持久化到本地文件系统,文件名为 颜值 + 作者 + 问题名 + 序号
- 返回第一步,继续
7 抓取结果
直接存放在文件夹中(angelababy 实力出境)。另外说句,目前抓下来的图片,除 baby 外,88 分是最高分。个人对其中的排序表示反对,老婆竟然不是最高分
![9f3d665c476f9008bfc595c992acbd59.png](https://i-blog.csdnimg.cn/blog_migrate/b0ae9914c1f527ca0a4a492f22fe0a2d.jpeg)
![67a65aaaa44cb46fee8bea6d004f5f31.png](https://i-blog.csdnimg.cn/blog_migrate/9490175ab1183bcd4beb4691577ba3ac.jpeg)
![a409b23a133587932c4887b72f1dd0d6.png](https://i-blog.csdnimg.cn/blog_migrate/8384235162cd7ddeecc1a173db3641e1.jpeg)
![ff5dfe13b7800960e5658f06a80fd4ae.png](https://i-blog.csdnimg.cn/blog_migrate/84f049f6fe230a7d1b09948f6e25919e.jpeg)
代码
![f1c22fbe39c9add250eb64ba402af74b.png](https://i-blog.csdnimg.cn/blog_migrate/e03b10ba993b105ce057e2e9017a468b.jpeg)
![8be14e30a2e18d0a00a1ef906347fe65.png](https://i-blog.csdnimg.cn/blog_migrate/abb784f54c200ec646323085f2cb654c.jpeg)
9 运行准备
- 安装 Python 3,Download Python
- 安装 requests、lxml、baidu-aip 库,都可以通过 pip 安装,一行命令
- 申请百度云检测服务,免费。人脸识别-百度AI