手把手带你爬取百度美女图片，Python练手项目！

Posted 2023-01-25 退休的龙叔

本文纯技术角度出发，教你如何用Python爬虫获取百度美女图片——技术无罪。

目标站点

百度图片使用关键字搜索 小姐姐私房照

https://image.baidu.com/

开发环境

• 系统：Windows10 64位
• Python版本：Python3.6.5(Python3以上版本即可)
• IDE：Pycharm（非必须，其实你完全可以记事本写代码）
• 第三方库：requests、jsonpath

效果预览

代码爬取效果

正式教程

一、第三方库安装

在确保你正确安装了Python解释器之后，我们还需要安装几个第三方库，命令如下**[在终端中安装即可]**：

HTTP请求库：

pip3 install requests

JSON数据解析库：

pip3 install jsonpath

二、爬虫的基本套路

• 不管是爬取哪类网站，在爬虫中基本都遵循以下的基本套路：

  请求数据 → 获取响应内容 → 解析内容 → 保存数据
  

• 当然，以上步骤是代码的编写思路，实际操作中应该还要添加一个前置步骤，所以完整流程如下：

  分析目标站点 → 请求网站获取数据 → 解析内容 → 保存数据
  

1. 分析目标站点

   快速的分析目标站点就很容易发现百度图库的图片资源是通过AJAX加载的，所以我们要请求的链接并非浏览器地址栏链接，而是ajax加载的数据包的资源路径，如图：
   

   那么问题来了，如何获取到这些数据包的地址？其实很简单，如图所示：
   

2. 请求网站获取数据

   编写代码请求资源，这里有一点需要注意：请求头必须携带，否则有可能请求失败导致报错。

   import requests  # 导包
   
   # 构建请求头，把爬虫程序伪装成正常的浏览器用户
   headers = 
       'sec-fetch-dest': 'image',
       'Host': 'image.baidu.com',
       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/89.0.4389.82 Safari/537.36 Edg/89.0.774.50',
   
   # 资源包的url链接
   url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10913526997707526921&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%B0%8F%E5%A7%90%E5%A7%90%E7%A7%81%E6%88%BF%E7%85%A7&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=&hd=&latest=&copyright=&word=%E5%B0%8F%E5%A7%90%E5%A7%90%E7%A7%81%E6%88%BF%E7%85%A7&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=210&rn=30&gsm=d2&1616553658252='
   
   # 构建请求
   response = requests.get(url,headers=headers)
   # 查看状态码
   print(response.status_code)
   # 获取原始数据
   response.json()
   

3. 解析数据

   上述代码最终获取到的数据是json数据，也就是我们Python中常说的字典，它长这样：

   
       "queryEnc":"%D0%A1%BD%E3%BD%E3%CB%BD%B7%BF%D5%D5",
       "queryExt":"小姐姐私房照",
       "listNum":758,
       "displayNum":8392,
       "gsm":"f0",
       "bdFmtDispNum":"约8,390",
       "bdSearchTime":"",
       "isNeedAsyncRequest":0,
       "bdIsClustered":"1",
       "data":[
           Object...,   # 没张私房照对应的详细信息，其中就有图片的URL 
           Object...,
           ···
   
   

   既然它是一个字典，我们当然是可以使用Python中的键值索引方式获取到想要的数据，但是此方法太笨，这里介绍一种更加高明的方式，使用jsonpath解析数据

   # 这一行代码便可以获取到所有图片的URL，返回的是一个列表，遍历即可拿到每一个URL
   imgs = jsonpath.jsonpath(json_data, '$..middleURL')
   

   使用requests请求图片URL，获取图片数据

   image_data = requests.get(page_url).content
   

4. 保存数据

   使用Python中的文件对象，保存图片，图片名字使用时间戳命名，避免图片重名

   with open('imgs/' + datetime.now().strftime("%Y%m%d%H%M%S%f") + '.jpg', 'wb') as f:
        f.write(image_data)
   

写在最后

到这整个儿爬虫程序就写完了。

当然，当前的这个只能爬取一个资源包中的数据，要爬取多个资源包或者说全部资源包的数据也是很简单的，只需要分析分析资源包的URL变化规律就不难发现其中的某个关键字变化，灵活改变该关键字就可以不断爬取。

粉丝专属福利