python识别批量网站中的图片

Posted qinfei88

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python识别批量网站中的图片相关的知识,希望对你有一定的参考价值。

需要实现的功能:给出一个网站列表,抓出这些网页上的图片。

实现方式: 下载网页源码,在源码中识别包含图片url的标签,如<img>,<div>,<li>。由于对html了解较少,哪些标签可能含有图片是从查看多个网站的源码中总结出来的。

调用的库:Selenium(加载Chrome驱动)--获取执行JS后的源码。

  threading--实现多进程

代码:

技术分享图片
from urllib.parse import urljoin,urlparse
import os
import threading
from time import ctime
from selenium import webdriver
import re

class myThread(threading.Thread):
    def __init__(self,func,args,name=‘‘):
        threading.Thread.__init__(self)
        self.name=name
        self.func=func
        self.args=args
        self.is_end=False


    def getResult(self):
        return self.res

    def run(self):
        self.res=self.func(*self.args)

def filter_in_tag(page_file,tag):
    url_in_tag = []
    url_in_tag.append(------------------%s-------------------- % (tag))
    with open(page_file, r, encoding=utf-8) as jj:
        for line in jj:
            ##先找出li所有标签
            reg = <%s [^>]*> % (tag)
            all_tag_str = re.findall(reg, line)

            for tag_str in all_tag_str:
                if re.search(https?://[^‘")]+, tag_str):
                    url_in_tag.extend(re.findall(http?://[^‘"]+, tag_str))
    return url_in_tag
def process(m_url):
    imgs,big_files,hrefs=[],[],[]
    ##先找出图片
    ##添加参数,使chrome不出现界面
    chrome_options = webdriver.chrome.options.Options()
    chrome_options.add_argument(--headless)
    chrome_options.add_argument(--disable-gpu)
    driver = webdriver.Chrome(rC:Program Files (x86)GoogleChromeApplicationchromedriver.exe,
                              chrome_options=chrome_options)  ##driver = webdriver.PhantomJS(executable_path=‘/bin/phantomjs/bin/phantomjs‘)#如果不方便配置环境变量。就使用phantomjs的绝对路径也可以

    driver.set_page_load_timeout(30)
    try:
        driver.get(m_url)
    except Exception as e: ##(HTTPError,URLError,UnicodeDecodeError,WindowsError) as e:
        err_info=url open error: %s
, reason: %s
%(m_url,e)
        print(err_info)
        err_log.write(err_info)
        #print(‘url open error: %s
, reason: %s‘%(m_url,e))
        return []
    imgs = []
    imgs.append(------------------<img src=>-----------------)
    for x in driver.find_elements_by_tag_name("img"):
        imgs.append(x.get_attribute(src))

    # 找出所有div li标签中的链接
    with open(tmp_page_source.html,w,encoding=utf-8) as tmp_f:
        tmp_f.write(driver.page_source)
    for tag in (li, div):
        imgs.extend(filter_in_tag(tmp_page_source.html,tag))

    ##列表去重复
    imgs_uniq = []
    for url in imgs:
        if (url not in imgs_uniq) and (url): ##url不在新列表中且url不为空
            imgs_uniq.append(url)

    ##查找页面中的a链接中的大文件和其它网页
    links=[a_link.get_attribute(href) for a_link in driver.find_elements_by_tag_name(a) if a_link.get_attribute(href)]
    driver.quit()

    for link in links:
        host = urlparse(m_url).netloc.split(@)[-1].split(:)[0]
        dom = ..join(host.split(.)[-2:])
        if link.startswith(mailto:):
            continue
        if   not link.startswith(http):
            link=urljoin(m_url,link)
        f_name = urlparse(link).path.split(/)[-1]
        f_type = os.path.splitext(f_name)[1]
        if f_type not in (.htm,.html,shtml,‘‘):
            big_files.append(link)
            continue
        if link in seen_links:
            pass#print(link,‘--aleady processed,pass.‘)
        else:
            if dom not in link:
                pass#print(link,‘--not in domain,pass.‘)
            else:
                hrefs.append(link)
                seen_links.append(link)
    return imgs_uniq,big_files,hrefs




##对process处理结果进行分析,得出如下统计数据:
##图片:100,HTTP协议占比:80%,HTTP协议下各种后缀的数量:jpg-50,gif-30
##大文件:10,HTTP协议占比:100%,HTTP协议下各种后缀的数量:pdf-10

def ret_analyse(url_list):
    to_len=len(url_list)##含有3行标识信息,非url
    http_list= [url for url in url_list if url.startswith("http://")]
    http_perc=%.1f%%%(len(http_list)/to_len*100) if to_len>0 else 0
    exts_dict={}
    for url in url_list:
        if url.startswith(-----------): ##排除‘-------img:src-----’等
            continue
        f_name = urlparse(url).path.split(/)[-1]
        f_type = os.path.splitext(f_name)[1]
        if f_type not in exts_dict:
            exts_dict[f_type]=1
        else:
            exts_dict[f_type]+=1
    return to_len,http_perc,exts_dict

##对一组url调用process函数处理,并输出结果到文本
def group_proc(url_f , urls,is_analyse) :
    links=[] ##存储该页面除大文件外的a链接
    ##定义写日志的函数
    def wLog(*lines):
        for line in lines:
            try:
                url_f.write(line + 
)
            except Exception as e:
                print(write eror,line:%s, err: %s%(line,e))
    for url in urls:
        proc_ret=process(url)
        if  proc_ret:
            img_list,bigfile_list,link_list=proc_ret
            wLog(**40,from: ,url) # 分隔行+起始行
            if is_analyse:
                img_output=图片:%d,HTTP协议占比:%s,HTTP协议下各种后缀的数量:%s%(ret_analyse(img_list)[0]-3,ret_analyse(img_list)[1],ret_analyse(img_list)[2]) ##图片含有3行标识信息
                big_output = 大文件:%d,HTTP协议占比:%s,HTTP协议下各种后缀的数量:%s % (ret_analyse(bigfile_list))
                wLog(img_output,big_output)
            img_list = 
.join(img_list)
            bigfile_list = 
.join(bigfile_list)
            wLog(imgs:,img_list,bigfiles: ,bigfile_list,**40)

            imgs_f.write(img_list + 
)
            if bigfile_list:
                bigfiles_f.write(bigfile_list + 
)
            if link_list:
                links.extend(link_list)
    return links


def main(depth):
    u_file=open(urls.txt,r)
    links=[line.strip(
) for line in u_file]
    links=[http://+link for link in links if not link.startswith(http)]
    u_file.close()

    for i in range(depth):
        is_analyse=True if i==0 else False ##对第一层数据需要分析统计
        url_f = open(layer + str(i)+.txt,w)
        next_links=[]

        if not links:
            break
        else:
            print(第 %d 层开始爬取...%(i))
        ##将链接分配给5组
        avg=len(links)//5
        links_grp=[]
        if avg==0:
            grp_len=len(links)
            for i in range(grp_len):
                links_grp.append([links[i]])
        else:
            grp_len = 5
            links_grp=links[:avg],links[avg:avg*2],links[avg*2:avg*3],links[avg*3:avg*4],links[avg*4:]
        #for i in range(grp_len):
            #url_f.write(‘link_group %d:%s‘%(i,links_grp[i]))
       ##新建5个线程,分别处理5组url
        threads=[]
        for i in range(grp_len):
            t=myThread(group_proc,(url_f,links_grp[i],is_analyse),group_proc.__name__)
            threads.append(t)
        ##线程同时启动
        for i in range(grp_len):
            print(线程%d开始运行,时间:%s%(i,ctime()))
            threads[i].setDaemon(True)
            threads[i].start()

        ##等待线程结束,结束后将各组url中获取的外链加入到下一次处理的列表中
        for i in range(grp_len):
            threads[i].join()
            print(线程%d运行结束,时间:%s % (i, ctime()))
            ret_links=threads[i].getResult()
            next_links.extend(ret_links)
        links=next_links
        url_f.close()


if __name__==__main__:
    seen_links = []
    imgs_f = open(图片.txt, w,encoding=utf-8)
    bigfiles_f = open(大文件.txt, w,encoding=utf-8)
    err_log = open(err_log.txt, w,encoding=utf-8)
    depth=int(input(请输入爬取深度:))
    main(depth)
    err_log.close()
    imgs_f.close()
    bigfiles_f.close()
    input(按任意键退出...)
View Code

 

以上是关于python识别批量网站中的图片的主要内容,如果未能解决你的问题,请参考以下文章

对图片中的表格进行识别,并转换成excel文件(python小软件)(批量)

python爬虫,一段完整的python爬虫批量下载网站图片资源的代码

批量识别图中文字自动命名,让你1秒找到骚图

批量下载网站图片的Python小工具(下)

Python识别图片中的文字

强大!10行Python代码,批量压缩图片500张