全程干货，用 python 下载某站全部免抠图片，图片背景透明，格式PNG

Posted 2021-11-03 梦想橡皮擦

作为一个素材收集狂，遇到一个好的图片站，那是必须要盘它的。这次就碰到一个 PNG images 号称有 100000+ 免费的 PNG 图片。

免抠图片站点分析

目标站点：http://pngimg.com/
目标数据：全站 PNG 图片，一键下载。
该网站具备非常多的分类页，在采集过程中，优先采集该分类页数据。

分类页地址通过开发者工具查看，得到如下内容

该地址需要与域名信息进行拼接，得到详情页地址，例如 anaconda 地址如下：

http://pngimg.com/images/animals/anaconda

打开详情页，检查图片所在区域，目的获取图片地址，测试过程中发现图片列表页并未分页，即一页即可获取全部数据。

基于上述内容，整理逻辑如下：

1. 获取所有图片分类标签；
2. 基于分类进入图片列表页；
3. 提取图片列表页图片地址；
4. 下载图片

编码时间

由于本案例涉及文件的读写操作，所以采用多线程实现，代码分为 3 个部分，采集分类，采集图片地址，下载图片。

采集分类代码如下

import random
import logging
import threading
from typing import Optional, Text
import requests
from bs4 import BeautifulSoup
import lxml

logging.basicConfig(level=logging.NOTSET)
thread_lock = threading.Lock()

def get_headers():
    uas = [
        "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
        "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)",
    ]
    ua = random.choice(uas)
    headers = {
        "user-agent": ua
    }
    return headers


# 通用的 requests get 请求方法
def get_html(url: Text, headers: dict, timeout: int) -> Optional[Text]:
    try:
        res = requests.get(url=url, headers=headers, timeout=timeout)
    except Exception as e:
        logging.error(e)

    if res is not None:
        return res.text
    else:
        return None


if __name__ == '__main__':
    url = "http://pngimg.com/"
    headers = get_headers()
    # 获取首页的 HTML 数据
    html_str = get_html(url, headers, 5)
    # 解析首页的HTML数据，获取所有列表页链接
    soup = BeautifulSoup(html_str, 'lxml')

    div_parents = soup.find_all(attrs={'class': 'sub_category'})

    # 获取到所有的详情页地址
    all_links = []
    for div in div_parents:
        all_links.extend(div.find_all('a'))

    print("累计获取到", len(all_links), "个列表页数据")

上述代码中将 get_headers() 函数单独提炼，后续将函数直接作为参数，传递到对应类的构造方法中即可。

提取到所有的分类标签存储到 all_links 变量中，后续由于多线程需要共享全局变量，顾提前导入线程锁：

thread_lock = threading.Lock()

PNG 采集与下载类

class PngImg(threading.Thread):
    # 构造函数
    def __init__(self, thread_name, headers_func, requests_func) -> None:
        threading.Thread.__init__(self)
        self._headers = headers_func()
        self._timeout = 5
        self.requests_func = requests_func
        self._thread_name = thread_name

    def run(self) -> None:
        bast_host = "http://pngimg.com"
        while True:

            thread_lock.acquire() # 全局锁，获取地址
            global all_links
            if all_links is None:
                break

            list_url = bast_host + all_links.pop().get('href')
            thread_lock.release()
            print(self._thread_name + " 正在运行，采集的地址是 " + list_url)

            list_html_str = self.requests_func(url=list_url, headers=self._headers, timeout=self._timeout)
            ret_imgs = self._get_imgs(list_html_str)

            self._save(ret_imgs)

    def _get_imgs(self, html) -> list:
        """获取所有的图片地址
        :return: 图片 list
        """
        soup = BeautifulSoup(html, 'lxml')
        # 获取图片所在 div 标签
        div_imgs = soup.find_all(attrs={'class': 'png_imgs'})
        # 图片地址为空，用来保存图片 tag

        imgs_src = []
        for div_img in div_imgs:
            # 遍历 div 标签，检索后代标签中的 img 图片标签
            imgs_src.append(div_img.a.img.get("src"))

        return imgs_src

    def _save(self, imgs):
        """保存图片 """
        for img in imgs:
            img = img.replace('small/', '')  # 去除 small 标记，获取大图
            img_url = "https://pngimg.com{}".format(img)  # 拼接完整图片访问地址
            name = img[img.rfind('/') + 1:]
            # print(img_url)
            # print(name)

            try:
                res = requests.get(url=img_url, headers=self._headers, timeout=self._timeout)
            except Exception as e:
                logging.error(e)

            if res is not None:
                name = name.replace("/", "_")
                with open(f'./imgs/{self._thread_name}_{name}', "wb+") as f:
                    f.write(res.content)

代码说明：
上述类为核心采集类，重写了 run 方法，在其中通过循环实现对所有列表页的采集，_get_imgs() 方法用于获取所有图片地址，用到的依旧是 BeautifulSoup 对象的 find_all() 方法，标签检索使用子集标签寻找方式 div_img.a.img.get("src")，_save() 方法用于存储图片，在这里橡皮擦第一次测试的时候，发现图片路径中带有 small 关键字，如希望获取大图，需要对其进行删除，后续测试发现已经移除该标记。

类的构造方法参数说明如下：

def __init__(self, thread_name, headers_func, requests_func) -> None:

• thread_name：线程名；
• headers_func：get_headers() 函数；
• requests_func：请求函数；

线程的开启代码直接写在 main 代码块中即可，本案例使用 5 个线程。

    threads = ["Thread A", "Thread B", "Thread C", "Thread D", "Thread E"]
    for t in threads:
        my_thread = PngImg(t, get_headers, get_html)
        my_thread.start()

代码运行过程效果图如下所示：

获取图片也是非常快速的。

写在后面

BeautifulSoup 模块的学习暂时告一段落，希望这3篇文章，能让你对 bs4 模块有一个初步的认识。

• 在120篇系列专栏中，才能学会 python beautifulsoup4 模块，7000字博客+爬第九工场网
• 都说python是万能的，这次用python看溧阳摄影圈，真不错

今天是持续写作的第 240 / 365 天。
期待 关注，点赞、评论、收藏。

更多精彩

《爬虫 100 例，专栏销售中，买完就能学会系列专栏》