Python爬虫案例-爬取主题图片（可以选择自己喜欢的主题）

2024年了，你需要网络资源不能还自己再慢慢找吧？
跟着博主一块学习如何利用爬虫获取资源，从茫茫大海中寻找那个她到再妹子群中找妹子，闭着眼睛都可以找到合适的那种。文章有完整示例代码，拿过来就可以用，欢迎实践尝试。

		-
▽	˃̣̣̣̣	˂	▽
	˗ˏˋ		ˎ˗

1.案例简介

本次案例主要针对网络图片下载，使用网络爬虫技术抓取百度图片，能够根据指定的关键字搜索相关主题的图片，然后把图片下载到本地指定的文件夹中。本次讲解内容主题是python，大家实践可以换成自己喜欢的主题。

2.设计思路

目标：通过百度图片引擎入口，抓取指定主题的图片，然后把抓取的图片保存到本地文件夹中。

设计爬虫，首先需要把握抓取对象（URL）的规律。分析网页源代码和网页结构，配合F12键查看网页源代码。这一步是抓取成功的关键。

接着，借助HTTP第三方库，获取HTML源代码；使用正则表达式、XPath表达式等技术，解析其结构，根据一定的逻辑分解其中的图片URL。

最后，把网上URL图片保存到本地，完成本例操作。

3.关键技术

把网上图片下载到本地。可以使用request.urlretrieveO函数；也可以使用Python的文件操作函数write()写入文件。

爬取指定网页中的图片。首先用urllib库来模拟浏览器访问网站的页的源代码(htinl标签)。其中，源代码以字符串的形式返回；然后用正则表达式re库在字符串(网页源代码)中匹配表示图片链接的子字符串，返 回一个列表；最后循环列表，根据图片链接将图片保存到本地。

也可以使用BeautifulSoup抓取图片。BeautifulSoup是一个Python处理HTML/XML的函数库，是Python内置的网页分析工具，用来快速地转换被抓取的网页。它产生一个转换后DOM树，尽可能和原文档内容的含义一致，这种措施通常能够满足用户搜集数据的需求。BeautifulSoup提供了一些简单的方法以及类Python语法来查找、定位、修改一棵转换后DOM树。BeautifulSoup自动将送进来的文档转换为Unicode编码，而且在输出的时候转换为UTF-8。

使用requests请求URL和读取网页源代码。requests库和urllib库的作用相似且使用方法基木一致，都是根据HTTP协议操作各种消息和页而，但使用requests库比使用urllib库更简单些。

4.设计过程

第1步，先研究百度图片的入口规律。

进入百度图片(https://image.baidu.com/ ),输入某个关键字(如python)，然后单击“百度一下”按钮搜索，可见如下网址:

https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=index&fr=&hs=0&xthttps=111111&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&word=python&oq=python&rsp=-1

其中，word=python查询字符串表示搜索的主题。所看见的页面是瀑布流版木，当向下滑动的时候可以不停刷新，这是一种动态的网页。需要按F12键，通过Network下的XHR分析网页的结构。

第2步，找到源代码规律之后，就可以动手编写Python代码了。

5.示例结果

6.示例源码

# test1.py  运行程序之前，需要现在当前目录下创建pictures文件夹。
# 导入库
import requests 
import os.path
import  re
# 设置默认配置
MaxSearchPage = 20 # 收索页数
CurrentPage = 0 # 当前正在搜索的页数
DefaultPath = "pictures" # 默认储存位置
NeedSave = 0 # 是否需要储存
# 图片链接正则和下一页的链接正则
def imageFiler(content): # 通过正则获取当前页面的图片地址数组
    return re.findall('"objURL":"(.*?)"',content,re.S)
def nextSource(content): # 通过正则获取下一页的网址
    next = re.findall('<div id="page">.*<a href="(.*?)" class="n">',content,re.S)[0]
    print("---------" + "http://image.baidu.com" + next) 
    return next
# 爬虫主体
def spidler(source):
    content = requests.get(source).text  # 通过链接获取内容
    imageArr = imageFiler(content) # 获取图片数组
    global CurrentPage
    print("当前页： " + str(CurrentPage) )
    for imageUrl in imageArr:
        print(imageUrl)
        global  NeedSave
        if NeedSave:  			# 如果需要保存图片则下载图片，否则不下载图片
            global DefaultPath
            try:
                # 下载图片并设置超时时间,如果图片地址错误就不继续等待了
                picture = requests.get(imageUrl,timeout=10) 
            except:                
                print("下载错误! errorUrl:" + imageUrl)   
                continue
            # 创建图片保存的路径
            # imageUrl = imageUrl.replace('/','').replace(':','').replace('?','')
            imageUrl1 = os.path.basename(imageUrl)
            basepath = os.getcwd()
            print( imageUrl1 )
            pictureSavePath = basepath + "/" + DefaultPath + imageUrl1
            pictureSavePath = pictureSavePath.split("?")[0]
            print(pictureSavePath)
            fp = open(pictureSavePath,'wb') # 以写入二进制的方式打开文件
            fp.write(picture.content)
            fp.close()
    global MaxSearchPage
    if CurrentPage <= MaxSearchPage:    # 继续下一页爬取
        if nextSource(content):
            CurrentPage += 1 
            # 爬取完毕后通过下一页地址继续爬取
            spidler("http://image.baidu.com" + nextSource(content)) 
#爬虫的开启方法
def  beginSearch(page=1,save=0,savePath="pictures/"): 
    # (page:爬取页数,save:是否储存,savePath:默认储存路径)
    global MaxSearchPage,NeedSave,DefaultPath
    MaxSearchPage = page
    NeedSave = save					# 是否保存，值0不保存，1保存
    DefaultPath = savePath				# 图片保存的位置
    key = input("请输入关键词： ") 
    StartSource = "http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=" + str(key) + "&ct=201326592&v=flip" # 分析链接可以得到,替换其`word`值后面的数据来搜索关键词
    spidler(StartSource)
#调用开启的方法就可以通过关键词搜索图片了
beginSearch(page=5,save=1)			# page=5是下载前5页，save=1保存图片