python下载图片代码_python自动下载图片的代码

最新推荐文章于 2022-11-14 15:23:20 发布

weixin_39788451

最新推荐文章于 2022-11-14 15:23:20 发布

阅读量74

点赞数

文章标签： python下载图片代码

本文讲述了作者如何从简单的Python爬虫开始，逐步升级到多进程和多线程版本，以提高爬取网页图片的效率。通过实例展示了在面对I/O密集型任务时，选择多线程的优势，并分享了多线程爬虫的实现代码，最终实现了爬取速度的显著提升。

摘要由CSDN通过智能技术生成

近日闲来无事，总有一种无形的力量萦绕在朕身边，让朕精神涣散，昏昏欲睡。

可是，像朕这么有职业操守的社畜怎么能在上班期间睡瞌睡呢，我不禁陷入了沉思。。。。

突然旁边的IOS同事问：‘嘿，兄弟，我发现一个网站的图片很有意思啊，能不能帮我保存下来提升我的开发灵感？'

作为一个坚强的社畜怎么能说自己不行呢，当时朕就不假思索的答应：‘oh， It's simple. Wait for me a few minute.'

点开同事给的图片网站，

网站大概长这样：

在朕翻看了几十页之后，朕突然觉得有点上头。心中一想'不对啊，朕不是来学习的吗？可是看美女图片这个事情怎么才可以和学习关联起来呢‘

冥思苦想一番之后，突然脑中灵光一闪，'要不用python写个爬虫吧，将此网站的图片一网打尽‘。

说干就干，身体力行，要问爬虫哪家强，‘人生苦短，我用python'。

首先找到我的电脑里面半年前下载的python安装包，无情的点击了安装，环境装好之后，略一分析网页结构。先撸一个简易版爬虫

#抓取爱小姐姐网图片保存到本地

import requests

from lxml import etree as et

import os

#请求头

headers = {

#用户代理

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'

}

#待抓取网页基地址

base_url = ''

#保存图片基本路径

base_dir = 'D:/python/code/aixjj/'

#保存图片

def savePic(pic_url):

#如果目录不存在，则新建

if not os.path.exists(base_dir):

os.makedirs(base_dir)

arr = pic_url.split('/')

file_name = base_dir+arr[-2]+arr[-1]

print(file_name)

#获取图片内容

response = requests.get(pic_url, headers = headers)

#写入图片

with open(file_name,'wb') as fp:

for data in response.iter_content(128):

fp.write(data)

#观察此网站总共只有62页，所以循环62次

for k in range(1,63):

#请求页面地址

url = base_url+str(k)

response = requests.get(url = url, headers = headers)

#请求状态码

code = response.status_code

if code == 200:

html = et.HTML(response.text)

#获取页面所有图片地址

r = html.xpath('//li/a/img/@src')

#获取下一页url

#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]

for pic_url in r:

a = 'http:'+pic_url

savePic(a)

print('第%d页图片下载完成' % (k))

print('The End!')

尝试运行爬虫，嘿，没想到行了：

过了一会儿，旁边的哥们儿又来：‘嘿 bro 你这个可以是可以，就是速度太慢了啊，我的灵感会被长时间的等待磨灭，你给改进改进？'

怎么提升爬虫的效率呢？略一思索，公司的电脑可是伟大的四核CPU啊，要不撸个多进程版本试试。然后就产生了下面这个多进程版本

#多进程版——抓取爱小姐姐网图片保存到本地

import requests

from lxml import etree as et

import os

import time

from multiprocessing import Pool

#请求头

headers = {

#用户代理

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'

}

#待抓取网页基地址

base_url = ''

#保存图片基本路径

base_dir = 'D:/python/code/aixjj1/'

#保存图片

def savePic(pic_url):

#如果目录不存在，则新建

if not os.path.exists(base_dir):

os.makedirs(base_dir)

arr = pic_url.split('/')

file_name = base_dir+arr[-2]+arr[-1]

print(file_name)

#获取图片内容

response = requests.get(pic_url, headers = headers)

#写入图片

with open(file_name,'wb') as fp:

for data in response.iter_content(128):

fp.write(data)

def geturl(url):

#请求页面地址

#url = base_url+str(k)

response = requests.get(url = url, headers = headers)

#请求状态码

code = response.status_code

if code == 200:

html = et.HTML(response.text)

#获取页面所有图片地址

r = html.xpath('//li/a/img/@src')

#获取下一页url

#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]

for pic_url in r:

a = 'http:'+pic_url

savePic(a)

if __name__ == '__main__':

#获取要爬取的链接列表

url_list = [base_url+format(i) for i in range(1,100)]

a1 = time.time()

#利用进程池方式创建进程，默认创建进程数量=电脑核数

#自己定义进程数量方式 pool = Pool(4)

pool = Pool()

pool.map(geturl,url_list)

pool.close()

pool.join()

b1 = time.time()

print('运行时间：',b1-a1)

抱着试一试的心态，运行了多进程版本爬虫，嘿没想到又行了，在朕伟大的四核CPU的加持下，爬虫速度提升了3~4倍。

又过了一会儿，那哥们儿又偏过头来：‘你这个快是快了不少，但是还不是最理想的状态，能不能一眨眼就能爬取百八十个图片，毕竟我的灵感来的快去的也快'

我：‘…'

悄悄打开Google，搜索如何提升爬虫效率，给出结论：

多进程：密集CPU任务，需要充分使用多核CPU资源（服务器，大量的并行计算）的时候，用多进程。

多线程：密集I/O任务（网络I/O，磁盘I/O，数据库I/O）使用多线程合适。

呵，我这可不就是I/O密集任务吗，赶紧写一个多线程版爬虫先。于是，又诞生了第三款：

import threading# 导入threading模块

from queueimport Queue#导入queue模块

import time#导入time模块

import requests

import os

from lxmlimport etree as et

#请求头

headers= {

#用户代理

'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'

}

#待抓取网页基地址

base_url= ''

#保存图片基本路径

base_dir= 'D:/python/code/aixjj/'

#保存图片

def savePic(pic_url):

#如果目录不存在，则新建

if not os.path.exists(base_dir):

os.makedirs(base_dir)

arr= pic_url.split('/')

file_name= base_dir+arr[-2]+arr[-1]

print(file_name)

#获取图片内容

response= requests.get(pic_url, headers= headers)

#写入图片

withopen(file_name,'wb') as fp:

for datain response.iter_content(128):

fp.write(data)

# 爬取文章详情页

def get_detail_html(detail_url_list,id):

while True:

url= detail_url_list.get()#Queue队列的get方法用于从队列中提取元素

response= requests.get(url= url, headers= headers)

#请求状态码

code= response.status_code

if code== 200:

html= et.HTML(response.text)

#获取页面所有图片地址

r= html.xpath('//li/a/img/@src')

#获取下一页url

#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]

for pic_urlin r:

a= 'http:'+pic_url

savePic(a)

# 爬取文章列表页

def get_detail_url(queue):

for iin range(1,100):

#time.sleep(1) # 延时1s，模拟比爬取文章详情要快

#Queue队列的put方法用于向Queue队列中放置元素，由于Queue是先进先出队列，所以先被Put的URL也就会被先get出来。

page_url= base_url+format(i)

queue.put(page_url)

print("put page url {id} end".format(id = page_url))#打印出得到了哪些文章的url

#主函数

if __name__== "__main__":

detail_url_queue= Queue(maxsize=1000)#用Queue构造一个大小为1000的线程安全的先进先出队列

#A线程负责抓取列表url

thread= threading.Thread(target=get_detail_url, args=(detail_url_queue,))

html_thread= []

#另外创建三个线程负责抓取图片

for iin range(20):

thread2= threading.Thread(target=get_detail_html, args=(detail_url_queue,i))

html_thread.append(thread2)#B C D 线程抓取文章详情

start_time= time.time()

# 启动四个线程

thread.start()

for iin range(20):

html_thread[i].start()

# 等待所有线程结束，thread.join()函数代表子线程完成之前，其父进程一直处于阻塞状态。

thread.join()

for iin range(20):

html_thread[i].join()

print("last time: {} s".format(time.time()-start_time))#等ABCD四个线程都结束后，在主进程中计算总爬取时间。

粗略测试一下，得出结论： ‘Oh my god，这也太快了吧'。

将多线程版本爬虫扔到同事QQ头像的脸上，并附文：‘拿去，速滚'

weixin_39788451

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
python下载图片代码_python自动下载图片的代码

近日闲来无事，总有一种无形的力量萦绕在朕身边，让朕精神涣散，昏昏欲睡。可是，像朕这么有职业操守的社畜怎么能在上班期间睡瞌睡呢，我不禁陷入了沉思。。。。突然旁边的IOS同事问：‘嘿，兄弟，我发现一个网站的图片很有意思啊，能不能帮我保存下来提升我的开发灵感？'作为一个坚强的社畜怎么能说自己不行呢，当时朕就不假思索的答应：‘oh， It's simple. Wait for me a few minut...
复制链接

扫一扫