百度图片爬虫
Posted gavanwanggw
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了百度图片爬虫相关的知识,希望对你有一定的参考价值。
功能说明:依次输入keyword。開始页码,结束页码(每页6张图)
当中,因为设定了timeout和其它错误检測,所以每页不一定6张都能爬下来。
有需求的拿去爬图用吧,仅供交流參考。不要乱爬,以免百度专门封堵。想用的都用不了了。
以后假设有时间再用pyqt做成界面吧。
代码例如以下:
#!/usr/bin/env python #! -*- coding: utf-8 -*- import urllib,urllib2 import re import time #返回网页源码 def gethtml(url): # print 'Start Downloading Html Source Code' user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent' : user_agent } req = urllib2.Request(url,headers = headers) html = urllib2.urlopen(req) srcCode = html.read() # print srcCode return srcCode ''''''''''''''''''''' # 下载网页中的图片 # srcCode : 输入的包括图片绝对路径(可下载链接)的网页源码 # page : 仅仅是用于给下载的图片命名用 ''''''''''''''''''''' def getImg(srcCode,page): #对网页中图片建立正则 pattern = re.compile(r'<a href="(.*?)"><img.*?class="i".*?src=".*?".*?
alt="百度图片" t=""/></a>') #图片完整路径存储为list imgSrcHtml = pattern.findall(srcCode) # print imgSrcHtml num = 0 + 6 * (page-1) # count = endPage - startPage # for x in xrange(1,count): for i in imgSrcHtml: # 补全链接,得到完整地址 i = 'http://image.baidu.com' + i print i imageSrc = getHtml(i) # print imageSrc imagePattern = re.compile(r'<a.*?href="(.*?\.jpg)">原图.*?
</a>') # 层层进入。得到图片的链接 imageRealSrc = imagePattern.findall(getHtml(i)) num += 1 for src in imageRealSrc: user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent' : user_agent } req = urllib2.Request(src,headers = headers) print "正在下载" print src try: html = urllib2.urlopen(req,timeout = 10) except Exception, e: print '抛出异常为:' + str(e) num += 1 break try: f = open("./" + '%s.jpg' % num, 'w+b') f.write(html.read()) f.close() except Exception, e: print '抛出异常为:' + str(e) # num +=1 break print '所有任务完毕!' ur = 'http://image.baidu.com/i?tn=wisemidresult&ie=utf8&word=%E5%AE%A4%E5%86%85%E6%99%AF&pn=0&rn=6&size=mid&fmpage=result&pos=next' # startPage: 起始页码 # endPage: 终止页面 # 每页有六张图 def getPageImg(startPage,endPage,url): for x in xrange(startPage,endPage): print "正在下载第" + str(x) + "页" # 最早是爬的美食图片 meishi = url + "pn=%s&rn=6&gsm=6&size=mid&fmpage=result&pos=next" % ((x-1)*6) print meishi getImg(getHtml(meishi),x) keyWord = raw_input(unicode("请输入搜索内容\n",'utf8')) startPage = int(raw_input(unicode("从第几页開始? 请输入数字\n",'utf8'))) endPage = int(raw_input(unicode("到第几页结束? 请输入数字\n",'utf8'))) # 将keyword包括进网页前半部分 # 后半部分在getPageImg中处理, 后半部分包括页码 myurl = "http://image.baidu.com/i?tn=wisemidresult?tn=wisemidresult&ie=utf8&word=%s&" % keyWord getPageImg(startPage,endPage,myurl)
以上是关于百度图片爬虫的主要内容,如果未能解决你的问题,请参考以下文章