EX4 | 用Python完成对百度图片关键字猫的保存

欢迎关注微信号：student_Shang
小编是985院校小硕士一枚，欢迎关注，持续更新中~

百度搜索关键字猫

哈喽，大家好~

在本次推送中，以百度搜索中关键字猫作为采集目标，重点采集并保存猫的图片，在本地根目录下以 图片的形式进行存储。

1 准备工作

在本次爬虫开始之前，请确保已经安装好了第三方 requests 库、BeautifulSoup 库等。如果没有安装，请使用cmd打开命令行界面，并逐行键入以下代码：

pip install requests
pip install json

2 抓取分析

本次抓取的信息内容较上一次简单。只需要利用 requests 库向指定网站发送请求，获取服务器传来的响应，随后利用 json 库完成对网页代码的解析，同时为了进一步防止触发反爬虫机制。具体分析如下：
首先，我们本次爬取的网站是

https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=猫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=猫&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&cg=girl&pn=30&rn=30&gsm=1e

右键点击 检查 按钮，或者直接按下 F12 进入开发者界面，点开 Network 一栏，并按下 F5 刷新按钮，必要时请按下 CTRL + F5 组合键完成页面的刷新。随后我们点击刷新后出现的第一个子栏目。如下图所示：

观察list表单中的相关信息

这里我们可以看到，网站请求的 Request URL ，再往下翻观察 Request Headers信息，为了避免触发反爬虫机制，我们要尽量把爬虫程序做的更像是人在浏览网页。

接下来便是对网页的提取与保存，我们开始今天的爬虫工作。

3 爬取信息与保存

在安装完毕我们在一开始介绍的第三方库后，这里我们需要首先导入这些文件才能够进行后续的操作。

import requests
import json

3.1 网页请求头的设置

为了使爬虫程序模拟的更像人在操作，因此我们添加了请求过程中一些比较重要的请求头信息，并将其整理成一个请求函数，具体如下：

def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
        
            }
    r = requests.get(url,headers = headers)
    return r

接下来我们便开始网页的爬取工作。

3.2 百度图片搜索关键字猫图片的爬取与保存

首先，我们需要对单个网页的信息进行爬取，通过对响应代码的分析，我们利用 json 库完成对代码的解析。同时将其定义为 get_pictures_url() 函数。具体如下：

def get_pictures_url(url):
    r = get_page(url)
    soup = json.loads(r.content)
    for picture in soup.get('data'):
        picture_url = picture.get('thumbURL')
        if picture_url:
            print(picture_url)
            img = get_page(picture_url)
            if img.status_code == 200:
                try:
                    with open('./' + picture.get('di') + '.jpg','wb') as f:
                        f.write(img.content)
                except:
                    pass

单个网页的内容收集完毕后，我们需要获取如何跳入下一页。这里我们发现，通过更改不同页数的网页 URL 之间的 pageNum 参数，可以实现网页之间的切换。

https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=猫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=猫&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&cg=girl&pn=30&rn=30&gsm=1e
https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=猫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=猫&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&cg=girl&pn=30&rn=60&gsm=1e
https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=猫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=猫&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&cg=girl&pn=30&rn=90&gsm=1e

3.3 启动程序

最后，键入以下代码便能够实现整个程序的运行：

if __name__ == "__main__":
    for i in range(10):
        print('正在下载{}页'.format(i))
        get_pictures_url('https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&' \
          'queryWord=猫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=猫' \
          '&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&cg=girl&pn={}&rn=30&gsm=1e'.format(i*30))
    print('下载完成')

4 总结与展望

本次爬虫程序在编写过程中，遇到了完善 Header 请求头信息遭到了 403 Forbid 的尴尬情况。在爬虫程序完成后，会在文件保存的根目录下保存 .jpg 图片的文件。此外，本次爬虫只限于对数据的爬取与保存工作，数据的分析工作留待后续进行再处理。

微信公众号：Python一号通
关注可了解更多的爬虫教程及机器学习内容。
问题或建议，请公众号留言