爬蟲:根據關鍵詞爬取圖片

因爲要訓練DCGAN網絡,需要很大的數據集,使用爬蟲從網上爬取了上萬張圖片。

此程序參考了爬蟲怎麼根據一個關鍵詞爬取上千張網絡圖片,代碼如下

#-*- coding:utf-8 -*-
import re
import requests
import traceback
import os

    
def dowmloadPic(html,keyword,startNum):
    kv = {'user-agent':'Mozilla/5.0'}
    pic_url = re.findall('"objURL":"(.*?)",',html,re.S)
    num = len(pic_url)
    i = startNum
    root = 'D:/pics/'
    print('找到關鍵詞:'+keyword+'的圖片,現在開始下載圖片...')
    
    for each in pic_url:
        print('正在下載第'+str(i+1)+'張圖片,圖片地址:'+str(each))
        path = root + each.split('/')[-1]   
        try:
            if not os.path.exists(root):
                os.mkdir(root)
            if not os.path.exists(path):
                pic = requests.get(each,headers = kv,timeout = 10)
                with open(path,'wb') as f:
                    f.write(pic.content)
                    f.close()
                    
        except:
            traceback.print_exc()
            print ('【錯誤】當前圖片無法下載')
            continue
        i += 1

    return i


if __name__ == '__main__':
    
    kv = {'user-agent':'Mozilla/5.0'}
    lastNum = 0
    words = ['敦煌壁畫','敦煌人物壁畫','莫高窟人物壁畫']
 #words爲一個列表,可以自動保存多個關鍵字的圖片
    for word in words:
        # word = input("Input key word: ")
        if word.strip() == "exit":
            break
        pageId = 0
  #此處的參數爲需爬取的頁數
        for i in range(2):
            url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + "&pn="+str(pageId)+"&gsm=?&ct=&ic=0&lm=-1&width=0&height=0"
            pageId += 20
            result = requests.get(url,headers = kv)
            lastNum = dowmloadPic(result.text, '敦煌壁畫', lastNum)

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章