利用Python爬取网页图片

　　最近几天，研究了一下一直很好奇的爬虫算法。这里写一下最近几天的点点心得。下面进入正文：

---

 

　　你可能须要的工做环境：

　　Python 3.6官网下载

　　咱们这里以sogou做为爬取的对象。

　　首先咱们进入搜狗图片http://pic.sogou.com/，进入壁纸分类（固然只是个例子Q_Q），由于若是须要爬取某网站资料，那么就要初步的了解它…

进去后就是这个啦，而后F12进入开发人员选项，笔者用的是Chrome。

右键图片>>检查    

发现咱们须要的图片src是在img标签下的，因而先试着用 Python 的 requests提取该组件，进而获取img的src而后使用 urllib.request.urlretrieve逐个下载图片，从而达到批量获取资料的目的，思路好了，下面应该告诉程序要爬取的url为http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD，此url来自进入分类后的地址栏。明白了url地址咱们来开始愉快的代码时间吧：

在写这段爬虫程序的时候，最好要逐步调试，确保咱们的每一步操做正确，这也是程序猿应该有的好习惯。笔者不知道本身算不算个程序猿哈。线面咱们来剖析该url指向的网页。

import requests import urllib from bs4 import BeautifulSoup res = requests.get('http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD') soup = BeautifulSoup(res.text,'html.parser') print(soup.select('img'))

output：

 

 发现输出内容并不包含咱们要的图片元素，而是只剖析到logo的img，这显然不是咱们想要的。也就是说须要的图片资料不在url  即 http://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD里面。所以考虑可能该元素是动态的，细心的同窗可能会发现，当在网页内，向下滑动鼠标滚轮，图片是动态刷新出来的，也就是说，该网页并非一次加载出所有资源，而是动态加载资源。这也避免了由于网页过于臃肿，而影响加载速度。下面痛苦的探索开始了，咱们是要找到全部图片的真正的url 笔者也是刚刚接触，找这个不是太有经验。最后找的位置F12>>Network>>XHR>>(点击XHR下的文件)>>Preview。

发现，有点接近咱们须要的元素了，点开all_items 发现下面是0 1 2 3...一个一个的貌似是图片元素。试着打开一个url。发现真的是图片的地址。找到目标以后。点击XHR下的Headers

获得第二行

Request URL:

http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category=%E5%A3%81%E7%BA%B8&tag=%E5%85%A8%E9%83%A8&start=0&len=15&width=1536&height=864，试着去掉一些没必要要的部分，技巧就是，删掉可能的部分以后，访问不受影响。经笔者筛选。最后获得的url：http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category=%E5%A3%81%E7%BA%B8&tag=%E5%85%A8%E9%83%A8&start=0&len=15  字面意思，知道category后面可能为分类。start为开始下标，len为长度，也即图片的数量。好了，开始愉快的代码时间吧：

 

开发环境为Win7  Python 3.6，运行的时候Python须要安装requests，

Python3.6 安装requests 应该CMD敲入：

pip install requests

 

笔者在这里也是边调试边写，这里把最终的代码贴出来：

 

import requests
import json
import urllib

def getSogouImag(category,length,path):
    n = length
    cate = category
    imgs = requests.get('http://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category='+cate+'&tag=%E5%85%A8%E9%83%A8&start=0&len='+str(n))
    jd = json.loads(imgs.text)
    jd = jd['all_items']
    imgs_url = []
    for j in jd:
        imgs_url.append(j['bthumbUrl'])
    m = 0
    for img_url in imgs_url:
            print('***** '+str(m)+'.jpg *****'+'   Downloading...')
            urllib.request.urlretrieve(img_url,path+str(m)+'.jpg')
            m = m + 1
    print('Download complete!')

getSogouImag('壁纸',2000,'d:/download/壁纸/')

 

 

  程序跑起来的时候，笔者仍是有点小激动的。来，感觉一下：

 

 

 

 

 至此，关于该爬虫程序的编程过程叙述完毕。总体来看，找到须要爬取元素所在url，是爬虫诸多环节中的关键