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。

none
最后修改于:2024年08月23日 11:40

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日