都知道Python的抓取功能强大,可以帮我们从海量的数据中爬取所需要的进行分析。下面,就给大家分享知乎大神怎么用Python爬取高颜值美女!
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
Python3,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,女神竟然不是最高分!
8、代码
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
当然爬虫只是Python强大功能的一部分。如果你想紧追潮流学习这门最具前景的语言可以去好好学习一下。