Python之多线程爬虫抓取网页图片

时间:2022-04-29
本文章向大家介绍Python之多线程爬虫抓取网页图片,主要内容包括目标、思路分析、环境配置、第三方库、编码过程、获取网页源代码、下载单个图片、下载一批图片(多线程/线程池模式皆支持)、调用例子、效果、基本概念、基础应用、原理机制和需要注意的事项等,并结合实例形式分析了其使用技巧,希望通过本文能帮助到大家理解应用这部分内容。

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="(.*?.jpg)"'
    reg = r'src="(.*?/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

或码云:https://gitee.com/svenaugustus/PicDownloader-example