爬虫篇| 爬取百度图片（一）

什么是爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。（来源：百度百科）

爬虫协议

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

robots.txt文件是一个文本文件，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它。robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。（来源：百度百科）

爬虫百度图片

目标：爬取百度的图片，并保存电脑中

能不能爬？

首先数据是否公开？能不能下载？

从图中可以看出，百度的图片是完全可以下载，说明了图片可以爬取

先爬取一张图片

首先，明白图片是什么？

有形式的事物，我们看到的，是图画、照片、拓片等的统称。图是技术制图中的基础术语，指用点、线、符号、文字和数字等描绘事物几何特征、形态、位置及大小的一种形式。随着数字采集技术和信号处理理论的发展，越来越多的图片以数字形式存储。

然后需要图片在哪里？

图片是在云服务器的数据库中的保存起来的

每张图片都有对应的url，通过requests模块来发起请求，在用文件的wb+方式来保存起来

 1import?requests 2r?=?requests.get('http://pic37.nipic测试数据/20140113/8800276_184927469000_2.png') 3with?open('demo.jpg','wb+')?as?f: 4????f.write(r.content)  

批量爬取

但是有谁为了爬一张图片去写代码，还不如直接去下载 ?。爬虫是目的就是为了达到批量下载的目的，这才是真正的爬虫

网站的分析

首先了解json

JSON(JavaScript Object Notation, JS 对象简谱) 是一种轻量级的数据交换格式。它基于 ECMAScript (欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得 JSON 成为理想的数据交换语言。

json 就是js 的对象，就是来存取数据的东西

JSON字符串

 1{ 2????“name”:?“毛利”, 3????“age”:?18, 4????“?feature?“?:?[‘高’,?‘富’,??‘帅’] 5}  

Python字典

 1{ 2????‘name’:?‘毛利’, 3????‘age’:?18 4????‘feature’?:?[‘高’,?‘富’,??‘帅’] 5}  

但是在python中不可以直接通过键值对来取得值，所以不得不谈谈python中的字典

导入python 中json，通过json.loads(s) -->将json数据转换为python的数据（字典）

ajax 的使用

Ajax 即“Asynchronous Javascript And XML”（异步 JavaScript 和 XML），是指一种创建交互式网页应用的网页开发技术。

图片是通过ajax 方法来加载的，也就是当我下拉，图片会自动加载，是因为网站自动发起了请求，

分析图片url链接的位置

同时找到对应ajax的请求的url

构造ajax的url请求，来将json转化为字典，在通过字典的键值对来取值，得到图片对应的url

  1import?requests  2import?json  3headers?=?{  4????'User-Agent':'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/74.0.3729.131?Safari/537.36'}  5r?=?requests.get('https://image.baidu测试数据/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%9B%BE%E7%89%87&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=&copyright=&word=%E5%9B%BE%E7%89%87&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1561022599290=',headers?=?headers).text  6res?=?json.loads(r)['data']  7for?index,i?in?enumerate(res):  8????url?=?i['hoverURL']  9????print(url) 10????with?open(?'{}.jpg'.format(index),'wb+')?as?f: 11????????f.write(requests.get(url).content)  

构造json的url，不断的爬取图片

在一个json 的有30张图片，所以发起一个json的请求，我们可以爬去30张图片，但是还是不够。

首先分析不同的json中发起的请求

 1https://image.baidu测试数据/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%9B%BE%E7%89%87&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=&copyright=&word=%E5%9B%BE%E7%89%87&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=60&rn=30&gsm=3c&1561022599355= 2https://image.baidu测试数据/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%9B%BE%E7%89%87&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=&copyright=&word=%E5%9B%BE%E7%89%87&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1561022599290=  

其实可以发现，当再次发起请求时，关键就是那个 pn在不断的变动

最后封装代码，一个列表来定义生产者来存储不断的生成图片url，另一个列表来定义消费者来保存图片

  1#?-*- coding：utf-8 -*-  2# time ：2019/6/20 17:07  3#?author:?毛利  4import?requests  5import?json  6import?os  7def?get_pic_url(num):  8????pic_url=?[]  9????headers?=?{ 10????????'User-Agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/74.0.3729.131?Safari/537.36'} 11????for?i?in?range(num): 12 13????????page_url?=?'https://image.baidu测试数据/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%9B%BE%E7%89%87&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&hd=&latest=&copyright=&word=%E5%9B%BE%E7%89%87&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn={}&rn=30&gsm=1e&1561022599290='.format(30*i) 14????????r?=?requests.get(page_url,?headers=headers).text 15????????res?=?json.loads(r)['data'] 16????????if?res: 17????????????print(res) 18????????????for?j?in?res: 19????????????????try: 20????????????????????url?=?j['hoverURL'] 21????????????????????pic_url.append(url) 22????????????????except: 23????????????????????print('该图片的url不存在') 24 25????print(len(pic_url)) 26????return?pic_url 27 28def?down_img(num): 29????pic_url??=get_pic_url(num) 30 31????if?os.path.exists('D:\图片'): 32????????pass 33????else: 34????????os.makedirs('D:\图片') 35 36????path?=?'D:\图片\\' 37????for?index,i?in?enumerate(pic_url): 38????????filename?=?path?+???str(index)?+?'.jpg' 39????????print(filename) 40????????with?open(filename,?'wb+')?as?f: 41????????????f.write(requests.get(i).content) 42if?__name__?==?'__main__': 43????num?=?int(input('爬取几次图片：一次30张')) 44????down_img(num)  

爬取过程

爬取结果

文章首发于：

https://blog.csdn.net/weixin_44510615/article/details/93088867

如果学习遇到问题 ， 加毛利微信： maori01 (备注：学习交流)，邀进学习交流群

最后，祝有所学习，有所成长

转发，好看支持一下，感谢

查看更多关于爬虫篇| 爬取百度图片（一）的详细内容...