使用urllib3爬取百度图片——附带一般爬虫开发流程讲解

import os
import urllib3
 
# 初始化urllib3的PoolManager对象，用于处理HTTP请求
http = urllib3.PoolManager()
 
def download_image(url, file_path):
    """
    下载图片到本地
    :param url: 图片的URL
    :param file_path: 本地文件路径
    """
    response = http.request('GET', url)
    with open(file_path, 'wb') as file:
        file.write(response.data)
 
def get_image_urls(html_content):
    """
    提取HTML中的图片URL
    :param html_content: 下载的HTML内容
    :return: 图片URL列表
    """
    # 此处的正则表达式需要根据实际HTML结构进行调整
    import re
    image_urls = re.findall(r'https?://.*?\.(?:jpg|jpeg|gif|png)', html_content)
    return image_urls
 
def crawl_baidu_images(keyword, max_num):
    """
    爬取百度图片
    :param keyword: 搜索关键词
    :param max_num: 最大下载数量
    """
    # 构建搜索URL
    base_url = 'https://image.baidu.com/search/index?tn=baiduimage&word={}'
    url = base_url.format(urllib3.quote(keyword))
 
    # 下载HTML内容
    response = http.request('GET', url)
    html_content = response.data.decode()
 
    # 提取图片URLs
    image_urls = get_image_urls(html_content)
 
    # 创建文件夹
    os.makedirs('images', exist_ok=True)
 
    # 下载图片
    for i, image_url in enumerate(image_urls, 1):
        file_path = os.path.join('images', f'{i}.jpg')
        download_image(image_url, file_path)
        if i >= max_num:
            break
 
if __name__ == '__main__':
    crawl_baidu_images('美女', 50)  # 搜索关键词为“美女”，最多下载50张图片

这段代码首先导入了必要的模块，并初始化了一个urllib3的PoolManager对象。然后定义了两个辅助函数：download_image用于下载图片到本地，get_image_urls用于从HTML内容中提取图片URL。最后，crawl_baidu_images函数实现了主要的爬虫逻辑：构建URL、下载HTML内容、提取图片URLs，并循环下载图片。

注意：由于爬取行为可能违反目标服务器的robots.txt协议及条款，请在使用爬虫时确保你有权限和责任地进行网络爬取，并遵守相关法律法规。