使用 python 3 和 beautifulsoup 从亚马逊抓取图像

Posted 2023-04-14

【中文标题】使用 python 3 和 beautifulsoup 从亚马逊抓取图像

【英文标题】：Scrape image from amazon with python 3 and beautifulsoup

【发布时间】：2019-12-07 04:59:18

【问题描述】：

我需要从亚马逊的产品页面中抓取主图像。 我将 ASIN 存储到一个列表中，并使用 for 循环构建每个产品页面。 我正在尝试抓取图像，但我不能。我尝试使用此代码：

#declare a session object
session = htmlSession()

#ignore warnings
if not sys.warnoptions:
    warnings.simplefilter("ignore")

urls = ['https://www.amazon.it/gp/bestsellers/apparel/', 'https://www.amazon.it/gp/bestsellers/electronics/', 'https://www.amazon.it/gp/bestsellers/books/']
asins = []
for url in urls:
    content = requests.get(url).content
    decoded_content = content.decode()
    asins = re.findall(r'/[^/]+/dp/([^\"?]+)', decoded_content)

#The ASIN Number will be between the dp/ and another /

for asin in asins:
    site = 'https://www.amazon.it/'
    start = 'dp/'
    end = '/'
    url = site + start + asin + end
    resp1 = requests.get(url).content

    soup = bsoup(resp1, "html.parser")
    body = soup.find("body")
    imgtag = soup.find("img", "id":"landingImage")
    imageurl = dict(imgtag.attrs)["src"]
    resp2 = request.urlopen(imaegurl)

【问题讨论】：

当我转到 findall (amazon.it/dp/8891822582) 收集的第一页时，我没有看到任何landingImage、id'd 项目。你在找这张照片吗？ link。我看到的标签是：class="a-dynamic-image image-stretch-vertical frontImage" id = "imgBlkFront"。我可以通过 img 项目在 find_all 循环中看到它。可能最好收集到一个列表中并再次使用 re 进行修剪。它会更慢，但更稳定，因为 Amz 不喜欢抓取。

是的，那是我正在搜索的图像。但是你是怎么做的？可以发一下代码吗？

但是我总是得到相同的图像，这可能吗？

【参考方案1】：

问题是图像是动态加载的；检查页面，感谢 BeautifulSoup documentation，给定产品，我能够抓取所有需要的图像。

获取给定链接的页面

我有一个存储数据的类，所以我将页面信息保存在实例中...

import urllib
from bs4 import BeautifulSoup

def take_page(self, url_page):
    req = urllib.request.Request(
        url_page,
        data=None
    )
    f = urllib.request.urlopen(req)
    page = f.read().decode('utf-8')
    self.page = page

抓取图片

以下简单方法将返回第一张图片，尺寸最小

import json

def take_image(self):
    soup = BeautifulSoup(self.page, 'html.parser')
    img_div = soup.find(id="imgTagWrapperId")

    imgs_str = img_div.img.get('data-a-dynamic-image')  # a string in Json format

    # convert to a dictionary
    imgs_dict = json.loads(imgs_str)
    #each key in the dictionary is a link of an image, and the value shows the size (print all the dictionay to inspect)
    num_element = 0 
    first_link = list(imgs_dict.keys())[num_element]
    return first_link

所以，您可以根据自己的需要应用这些方法，我认为这就是您改进代码所需要的全部内容。

【参考方案2】：

查看页面上“所有”img 的代码示例

for asin in asins:
    site = 'https://www.amazon.it/'
    start = 'dp/'
    end = '/'
    url = site + start + asin + end
    print(url)
    resp1 = requests.get(url).content


    soup = BeautifulSoup(resp1, "html.parser")
    for i in soup.find_all("img"):
        print(i)

【参考方案3】：

执行此操作的正确方法是通过 Amazon Affiliate API 帐户，但如果您没有帐户。这是最近使用 ScraperAPI lxml 和 cssselect 和 PIL 的代码

关键部分是dom.cssselect，用于从页面上的元素获取图像、请求代理和使用 PIL 正确保存图像。在书籍上测试，其他页面将使用更高的元素

def save_img(url, name):
    response = requests.get(PROXY + url, stream=True)
    out_path = f'static/bookimg/name.jpg'
    try:
        i = Image.open(BytesIO(response.content))
        i.save(out_path)
    except (UnidentifiedImageError, OSError) as e:
        print(e)


def get_img_by_asin(asin, save_name):
    url = PROXY + f'https://www.amazon.co.uk/dp/asin/'
    print(url)
    html = requests.get(url).content
    dom = fromstring(html)
    try:
        img = dom.cssselect("#ebooks-img-canvas img")[-1]
        save_img(img.get('src'), save_name)
    except IndexError:
        print('No image or bad response')

https://gist.github.com/fmalina/03c84100e84ecc2ae2cd23d60e11959e