Python之多线程爬虫抓取网页图片的示例代码

Python  /  管理员 发布于 7年前   147

目标

嗯，我们知道搜索或浏览网站时会有很多精美、漂亮的图片。

我们下载的时候，得鼠标一个个下载，而且还翻页。

那么，有没有一种方法，可以使用非人工方式自动识别并下载图片。美美哒。

那么请使用python语言，构建一个抓取和下载网页图片的爬虫。

当然为了提高效率，我们同时采用多线程并行方式。

思路分析

Python有很多的第三方库，可以帮助我们实现各种各样的功能。问题在于，我们弄清楚我们需要什么：

1）http请求库，根据网站地址可以获取网页源代码。甚至可以下载图片写入磁盘。

2）解析网页源代码，识别图片连接地址。比如正则表达式，或者简易的第三方库。

3）支持构建多线程或线程池。

4）如果可能，需要伪造成浏览器，或绕过网站校验。（嗯，网站有可能会防着爬虫 ;-)）

5）如果可能，也需要自动创建目录，随机数、日期时间等相关内容。

如此，我们开始搞事情。O(∩_∩)O~

环境配置

操作系统：windows 或 linux 皆可

Python版本：Python3.6 ( not Python 2.x 哦)

第三方库

urllib.request

threading 或者 concurrent.futures 多线程或线程池（python3.2+）

re 正则表达式内置模块

os 操作系统内置模块

编码过程

我们分解一下过程。完整源代码在博文最终提供。

伪装为浏览器

import urllib.request# ------ 伪装为浏览器 ---def makeOpener(head={  'Connection': 'Keep-Alive',  'Accept': 'text/html, application/xhtml+xml, */*',  'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',  'Connection': 'keep-alive',  'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'  }):  cj = http.cookiejar.CookieJar()  opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))  header = []  for key, value in head.items():    elem = (key, value)    header.append(elem)  opener.addheaders = header  return opener

获取网页源代码

# ------ 获取网页源代码 ---# url 网页链接地址def getHtml(url):  print('url='+url)  oper = makeOpener()  if oper is not None:    page = oper.open(url)    #print ('-----oper----')  else:    req=urllib.request.Request(url)    # 爬虫伪装浏览器    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0')    page = urllib.request.urlopen(req)  html = page.read()  if collectHtmlEnabled: #是否采集html    with open('html.txt', 'wb') as f:      f.write(html) # 采集到本地文件，来分析  # ------ 修改html对象内的字符编码为UTF-8 ------  if chardetSupport:    cdt = chardet.detect(html)    charset = cdt['encoding'] #用chardet进行内容分析  else:    charset = 'utf8'  try:    result = html.decode(charset)  except:    result = html.decode('gbk')  return result

下载单个图片

# ------ 根据图片url下载图片 ------# folderPath 定义图片存放的目录 imgUrl 一个图片的链接地址 index 索引，表示第几个图片def downloadImg(folderPath, imgUrl, index):  # ------ 异常处理 ------  try:    imgContent = (urllib.request.urlopen(imgUrl)).read()  except urllib.error.URLError as e:    if printLogEnabled : print ('【错误】当前图片无法下载')    return False  except urllib.error.HTTPError as e:    if printLogEnabled : print ('【错误】当前图片下载异常')    return False  else:    imgeNameFromUrl = os.path.basename(imgUrl)    if printLogEnabled : print ('正在下载第'+str(index+1)+'张图片，图片地址:'+str(imgUrl))    # ------ IO处理 ------    isExists=os.path.exists(folderPath)    if not isExists: # 目录不存在，则创建       os.makedirs( folderPath )       #print ('创建目录')    # 图片名命名规则，随机字符串    imgName = imgeNameFromUrl    if len(imgeNameFromUrl) < 8:      imgName = random_str(4) + random_str(1,'123456789') + random_str(2,'0123456789')+"_" + imgeNameFromUrl    filename= folderPath + "\\"+str(imgName)+".jpg"    try:       with open(filename, 'wb') as f:         f.write(imgContent) # 写入本地磁盘       # if printLogEnabled : print ('下载完成第'+str(index+1)+'张图片')    except :      return False    return True

下载一批图片（多线程/线程池模式皆支持）

# ------ 批量下载图片 ------# folderPath 定义图片存放的目录 imgList 多个图片的链接地址def downloadImgList(folderPath, imgList):  index = 0  # print ('poolSupport='+str(poolSupport))  if not poolSupport:   #print ('多线程模式')   # ------ 多线程编程 ------   threads = []   for imgUrl in imgList:     # if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')     threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,)))     index += 1   for t in threads:     t.setDaemon(True)     t.start()   t.join() #父线程，等待所有线程结束   if len(imgList) >0 : print ('下载结束，存放图片目录：' + str(folderPath))  else:   #print ('线程池模式')    # ------ 线程池编程 ------   futures = []   # 创建一个最大可容纳N个task的线程池 thePoolSize 为 全局变量   with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool:     for imgUrl in imgList:     # if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')     futures.append(pool.submit(downloadImg, folderPath, imgUrl, index))     index += 1    result = concurrent.futures.wait(futures, timeout=None, return_when='ALL_COMPLETED')    suc = 0    for f in result.done:      if f.result(): suc +=1    print('下载结束，总数：'+str(len(imgList))+'，成功数：'+str(suc)+'，存放图片目录：' + str(folderPath))

调用例子

如百度贴吧为例

# ------ 下载百度帖子内所有图片 ------# folderPath 定义图片存放的目录 url 百度贴吧链接def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'):  html = getHtml(url)  # ------ 利用正则表达式匹配网页内容找到图片地址 ------  #reg = r'src="https:/article/(.*?\.jpg)"'  reg = r'src="https:/article/(.*?/sign=.*?\.jpg)"'  imgre = re.compile(reg);  imgList = re.findall(imgre, html)  print ('找到图片个数：' + str(len(imgList)))  # 下载图片  if len(imgList) >0 : downloadImgList(folderPath, imgList) # 程序入口if __name__ == '__main__':  now = datetime.datetime.now().strftime('%Y-%m-%d %H-%M-%S')  # 下载百度帖子内所有图片  downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')

效果

完整源码请见

我的github：https://github.com/SvenAugustus/PicDownloader-example

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。