python3 TensorFlow训练数据集准备 下载一些百度图片 入门级爬虫示例

Posted 2020-12-01 正态分个布

从百度图片下载一些图片当做训练集，好久没写爬虫，生疏了。没有任何反爬，随便抓。

网页：

 

 动态加载，往下划会出现更多的图片，一次大概30个。先找到保存每一张图片的json，其对应的url：

 

 打开调试，清空，然后往下划。然后出现：

 

 点击左侧的链接，出现右边的详细信息，对应的就是URL。对这个url做请求即可。以下是代码：

# -*- coding: utf-8 -*-
# import tensorflow as tf
# import os
# import numpy as np
import requests
import my_fake_useragent as ua
import re
import random

# 蓝色背景
def blue_print(*s, end=\'\\n\'):
    for item in s:
        print(\'\\033[46m {} \\033[0m\'.format(item), end=\'\')
    print(end=end)


# 高亮，绿色字体，红色背景
def green_print(*s, end=\'\\n\'):
    # print(\'\\033[1m {} \\033[0m\'.format(s), end=end)
    for item in s:
        print(\'\\033[1;32;41m {} \\033[0m\'.format(item), end=\'\')
    print(end=end)


class download_data():
    def __init__(self):
        # 初始化常用参数
        # 请求头
        self.user_agent = ua.UserAgent()
        # 正则用于匹配响应内容中的图片url
        self.pattern_url = r\'"thumbURL":"(.*?)"\'


    # 爬虫：从网上下载数据集
    def get_url_from_internet(self, url):
        for i in range(5):
            try:
                # print(self.user_agent.random())
                res = requests.get(url, headers={\'User-Agent\': self.user_agent.random()}, timeout=5)
                # print(res.text)
                url_list = re.findall(self.pattern_url, res.text)
                # print(url_list)
                return url_list
            except:
                pass

        # 这里可以将请求失败的url存入数据库，防止数据丢失
        return None

    def write_img(self, url):
        for i in range(3):
            try:
                # 真正下载图片数据的，就这两行代码
                res = requests.get(url, headers={\'User-Agent\': self.user_agent.random()}, timeout=5)
                img = res.content
                # print(img)

                # 将响应内容写入本地*.jpg文件中
                with open(\'dataset/monkey{}.jpg\'.format(random.randint(10 ** 8, 10 ** 9)), \'wb\') as f:
                    f.write(img)
                print(\'monkey{} 下载完成\'.format(random.randint(10 ** 8, 10 ** 9)))
                return
            except:
                pass

        # 这里可以将请求失败的url存入数据库，防止数据丢失
        return None

if __name__ == \'__main__\':
    tt = download_data()
    for page in range(0, 1000, 30):
        # 构造url，设置range的右边界越大，下载的图片就越多
        url = \'https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result\\
            &queryWord=%E7%8C%B4%E5%AD%90+%E5%9B%BE%E7%89%87&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=\\
            &hd=&latest=&copyright=&word=%E7%8C%B4%E5%AD%90+%E5%9B%BE%E7%89%87&s=&se=&tab=&width=&height=&face=\\
            &istype=&qc=&nc=&fr=&expermode=&force=&pn={}&rn=30&gsm=&1572502599384=\'.format(page)
        url_list = tt.get_url_from_internet(url)
        if url_list:
            for each_url in url_list:
                tt.write_img(each_url)

什么都不打印看着不舒服，随便打印一些结果出来：

 

 文件夹：

 

用网上的图片作训练集，而且还是自己抓的，效果估计不会太好。先用着看。自己手动将质量差的图片删一删。

11-19

有时候会遇到一点点反爬，响应码403，在headers中添加 "referer": "https://image.baidu.com"即可