python爬取百度搜索图片

Posted 2020-09-29

在之前通过爬取贴吧图片有了一点经验，先根据之前经验再次爬取百度搜索界面图片

废话不说，先上代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2017/7/22 10:44
# @Author  : wqj
# @Contact : [email protected]
# @Site    : 
# @File    : test.py
# @Software: PyCharm Community Edition
import requests
import re
import os

url = r‘http://image.baidu.com/search/index?tn=baiduimage&ct=201326592&lm=-1&cl=2&ie=gbk&word=%B1%ED%C7%E9%B0%FC&fr=ala&ala=1&alatpl=adress&pos=0&hs=2&xthttps=000000‘
dirpath = r‘D:\\img‘

html = requests.get(url).text
urls = re.findall(r‘"objURL":"(.*?)"‘, html)

if not os.path.isdir(dirpath):
    os.mkdir(dirpath)

index = 1
for url in urls:
    print("Downloading:", url)
    
try:
        res = requests.get(url)
        if str(res.status_code)[0] == "4":
            print("未下载成功：", url)
            continue
    except Exception as e:
        print("未下载成功：", url)

filename = os.path.join(dirpath, str(index) + ".jpg") with open(filename, ‘wb‘) as f: f.write(res.content) index += 1print("下载结束，一共 %s 张图片" % index)

　　在爬取得过程中，最先遇到的问题是打开百度图片界面，查看源码，并不能看到img下的src标签，后通过在知乎上查看文章得知百度将图片放在了acjson下，通过XHR来查看

 

进入之后发现其中有较多图片地址，经过验证后发现objURL才是我们需要的标签

这样我们就可以利用python中的requests库来对页面进行解析匹配

其中

try:
        res = requests.get(url)
        if str(res.status_code)[0] == "4":
            print("未下载成功：", url)
            continue
    except Exception as e:
        print("未下载成功：", url)

 

需要我们来判断状态码是否正常，如异常需要捕捉。

基本上这个python程序就算结束了。

不足的地方有很多，譬如只可以抓取首页的30张图片

这是相邻的两个请求，每相邻像个请求之间有30张图片，经过分析我们可以看出来其中只有两个参数发生变化，一个是pn，另一个是

gsm。pn是以30递增的规律，而gsm则无法判断。（刚入python的坑）

所以无法连续抓取。。。