Python簡單圖片爬蟲

經常在逛知乎，有時候希望把一些問題的圖片集中保存起來。於是就有了這個程序。這是一個非常簡單的圖片爬蟲程序，只能爬取已經刷出來的部分的圖片。由於對這一部分內容不太熟悉，所以只是簡單說幾句然後記錄代碼，不做過多的講解。感興趣的可以直接拿去用。親測對於知乎等網站是可用的。

上一篇分享了通過url打開圖片的方法，目的就是先看看爬取到的圖片時什麼樣，然後再篩選一下保存。

這裏用到了requests庫來獲取頁面信息，需要注意的是，獲取頁面信息的時候需要一個header，用以把程序僞裝成瀏覽器去訪問服務器，不然可能會被服務器拒絕。然後用BeautifulSoup來過濾多餘信息得到圖片地址。得到圖片後，根據圖片的大小過濾掉一些頭像、表情包之類的小圖片。最後打開或者保存圖片的時候選擇就比較多了，opencv，skimage，PIL等都可以。

程序如下：

# -*- coding=utf-8 -*-
import requests as req
from bs4 import BeautifulSoup
from PIL import Image
from io import BytesIO
import os
from skimage import io

url = "https://www.zhihu.com/question/37787176"
headers = {'User-Agent' : 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Mobile Safari/537.36'}
response = req.get(url,headers=headers)
content = str(response.content)
#print content

soup = BeautifulSoup(content,'lxml')
images = soup.find_all('img')
print u"共有%d張圖片" % len(images)

if not os.path.exists("images"):
    os.mkdir("images")

for i in range(len(images)):
    img = images[i]
    print u"正在處理第%d張圖片..." % (i+1)
    img_src = img.get('src')
    if img_src.startswith("http"):
        ## use PIL
        '''
        print img_src
        response = req.get(img_src,headers=headers)
        image = Image.open(BytesIO(response.content))
        w,h = image.size
        print w,h
        img_path = "images/" + str(i+1) + ".jpg"
        if w>=500 and h>500:
            #image.show()
            image.save(img_path)

        '''

        ## use OpenCV
        import numpy as np
        import urllib
        import cv2

        resp = urllib.urlopen(img_src)

        image = np.asarray(bytearray(resp.read()), dtype="uint8")
        image = cv2.imdecode(image, cv2.IMREAD_COLOR)
        w,h = image.shape[:2]
        print w,h
        img_path = "images/" + str(i+1) + ".jpg"
        if w>=400 and h>400:
            cv2.imshow("Image", image)
            cv2.waitKey(3000)
            ##cv2.imwrite(img_path,image)

        ## use skimage

        ## image = io.imread(img_src)
        ## w,h = image.shape[:2]
        ## print w,h
        #io.imshow(image)
        #io.show()

        ## img_path = "images/" + str(i+1) + ".jpg"
        ## if w>=500 and h>500:
            ## image.show()
            ## image.save(img_path)
            ## io.imsave(img_path,image)

print u"處理完成！"

這裏給出了多種選擇，供參考。

---

公衆號CVPy，分享OpenCV和Python的實戰內容。每一篇都會放出完整的代碼。歡迎關注。