最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python之多線程爬蟲抓取網(wǎng)頁圖片的示例代碼

 更新時(shí)間:2018年01月10日 10:04:05   作者:斯武丶風(fēng)晴  
本篇文章主要介紹了Python之多線程爬蟲抓取網(wǎng)頁圖片的示例代碼,小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧

目標(biāo)

嗯,我們知道搜索或?yàn)g覽網(wǎng)站時(shí)會(huì)有很多精美、漂亮的圖片。

我們下載的時(shí)候,得鼠標(biāo)一個(gè)個(gè)下載,而且還翻頁。

那么,有沒有一種方法,可以使用非人工方式自動(dòng)識(shí)別并下載圖片。美美噠。

那么請使用python語言,構(gòu)建一個(gè)抓取和下載網(wǎng)頁圖片的爬蟲。

當(dāng)然為了提高效率,我們同時(shí)采用多線程并行方式。

思路分析

Python有很多的第三方庫,可以幫助我們實(shí)現(xiàn)各種各樣的功能。問題在于,我們弄清楚我們需要什么:

1)http請求庫,根據(jù)網(wǎng)站地址可以獲取網(wǎng)頁源代碼。甚至可以下載圖片寫入磁盤。

2)解析網(wǎng)頁源代碼,識(shí)別圖片連接地址。比如正則表達(dá)式,或者簡易的第三方庫。

3)支持構(gòu)建多線程或線程池。

4)如果可能,需要偽造成瀏覽器,或繞過網(wǎng)站校驗(yàn)。(嗯,網(wǎng)站有可能會(huì)防著爬蟲 ;-))

5)如果可能,也需要自動(dòng)創(chuàng)建目錄,隨機(jī)數(shù)、日期時(shí)間等相關(guān)內(nèi)容。

如此,我們開始搞事情。O(∩_∩)O~

環(huán)境配置

操作系統(tǒng):windows 或 linux 皆可

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

第三方庫

urllib.request

threading 或者 concurrent.futures 多線程或線程池(python3.2+)

re 正則表達(dá)式內(nèi)置模塊

os 操作系統(tǒng)內(nèi)置模塊

編碼過程

我們分解一下過程。完整源代碼在博文最終提供。

偽裝為瀏覽器

import urllib.request

# ------ 偽裝為瀏覽器 ---
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

獲取網(wǎng)頁源代碼

# ------ 獲取網(wǎng)頁源代碼 ---
# url 網(wǎng)頁鏈接地址
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)
    # 爬蟲偽裝瀏覽器
    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,來分析
  # ------ 修改html對象內(nèi)的字符編碼為UTF-8 ------
  if chardetSupport:
    cdt = chardet.detect(html)
    charset = cdt['encoding'] #用chardet進(jìn)行內(nèi)容分析
  else:
    charset = 'utf8'
  try:
    result = html.decode(charset)
  except:
    result = html.decode('gbk')
  return result

下載單個(gè)圖片

# ------ 根據(jù)圖片url下載圖片 ------
# folderPath 定義圖片存放的目錄 imgUrl 一個(gè)圖片的鏈接地址 index 索引,表示第幾個(gè)圖片
def downloadImg(folderPath, imgUrl, index):
  # ------ 異常處理 ------
  try:
    imgContent = (urllib.request.urlopen(imgUrl)).read()
  except urllib.error.URLError as e:
    if printLogEnabled : print ('【錯(cuò)誤】當(dāng)前圖片無法下載')
    return False
  except urllib.error.HTTPError as e:
    if printLogEnabled : print ('【錯(cuò)誤】當(dāng)前圖片下載異常')
    return False
  else:
    imgeNameFromUrl = os.path.basename(imgUrl)
    if printLogEnabled : print ('正在下載第'+str(index+1)+'張圖片,圖片地址:'+str(imgUrl))
    # ------ IO處理 ------
    isExists=os.path.exists(folderPath)
    if not isExists: # 目錄不存在,則創(chuàng)建
       os.makedirs( folderPath )
       #print ('創(chuàng)建目錄')
    # 圖片名命名規(guī)則,隨機(jī)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) # 寫入本地磁盤
       # if printLogEnabled : print ('下載完成第'+str(index+1)+'張圖片')
    except :
      return False
    return True

下載一批圖片(多線程/線程池模式皆支持)

# ------ 批量下載圖片 ------
# folderPath 定義圖片存放的目錄 imgList 多個(gè)圖片的鏈接地址
def downloadImgList(folderPath, imgList):
  index = 0
  # print ('poolSupport='+str(poolSupport))
  if not poolSupport:
   #print ('多線程模式')
   # ------ 多線程編程 ------
   threads = []
   for imgUrl in imgList:
     # if printLogEnabled : print ('準(zhǔn)備下載第'+str(index+1)+'張圖片')
     threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,)))
     index += 1
   for t in threads:
     t.setDaemon(True)
     t.start()
   t.join() #父線程,等待所有線程結(jié)束
   if len(imgList) >0 : print ('下載結(jié)束,存放圖片目錄:' + str(folderPath))
  else:
   #print ('線程池模式')
    # ------ 線程池編程 ------
   futures = []
   # 創(chuàng)建一個(gè)最大可容納N個(gè)task的線程池 thePoolSize 為 全局變量
   with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool: 
    for imgUrl in imgList:
     # if printLogEnabled : print ('準(zhǔn)備下載第'+str(index+1)+'張圖片')
     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('下載結(jié)束,總數(shù):'+str(len(imgList))+',成功數(shù):'+str(suc)+',存放圖片目錄:' + str(folderPath))

調(diào)用例子

如百度貼吧為例

# ------ 下載百度帖子內(nèi)所有圖片 ------
# folderPath 定義圖片存放的目錄 url 百度貼吧鏈接
def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'):
  html = getHtml(url)
  # ------ 利用正則表達(dá)式匹配網(wǎng)頁內(nèi)容找到圖片地址 ------
  #reg = r'src="(.*?\.jpg)"'
  reg = r'src="(.*?/sign=.*?\.jpg)"'
  imgre = re.compile(reg);
  imgList = re.findall(imgre, html)
  print ('找到圖片個(gè)數(shù):' + str(len(imgList)))
  # 下載圖片
  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')
  # 下載百度帖子內(nèi)所有圖片
  downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')

效果

完整源碼請見

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

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

  • Python裝飾器的定義和使用詳情

    Python裝飾器的定義和使用詳情

    這篇文章主要介紹了Python裝飾器的定義和使用詳情,裝飾器給已有函數(shù)增加額外的功能的函數(shù),本質(zhì)上是一個(gè)閉包函數(shù),下文更多相關(guān)介紹需要的小伙伴可以參考一下
    2022-04-04
  • Pytorch深度學(xué)習(xí)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓(xùn)練

    Pytorch深度學(xué)習(xí)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓(xùn)練

    這篇文章主要介紹了Pytorch深度學(xué)習(xí)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓(xùn)練,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪
    2022-05-05
  • Django URL參數(shù)Template反向解析

    Django URL參數(shù)Template反向解析

    這篇文章主要介紹了Django URL參數(shù)Template反向解析,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-11-11
  • 最新評(píng)論

    桦甸市| 新竹县| 巴里| 桑植县| 平昌县| 民县| 鄂托克旗| 黄骅市| 汝城县| 镇赉县| 永胜县| 阜阳市| 汝城县| 满洲里市| 鄯善县| 罗定市| 保亭| 霍林郭勒市| 土默特右旗| 宁明县| 城固县| 张家口市| 鹿泉市| 聂荣县| 钦州市| 万年县| 鹤壁市| 勃利县| 申扎县| 镇赉县| 玉林市| 克山县| 灵武市| 鄂伦春自治旗| 辽阳市| 自治县| 衢州市| 博罗县| 鄯善县| 合水县| 竹北市|