一款真正可以用于爬百度图片的爬虫python代码,自己改进的!!
来源:互联网 发布:ab plc编程软件 编辑:程序博客网 时间:2024/06/10 00:07
我用的pycharm,有三种注释方式:
1.用 一对""" 括起来要注释的代码块。
2.用一对'''括起来要注释的代码块。
1.用 一对""" 括起来要注释的代码块。
2.用一对'''括起来要注释的代码块。
3.选中要注释的代码,按下ctrl+/注释。
由于深度学习训练或者数据分析需要大量数据,其中获取数据的方法有很多,要么去各种比赛官网上下载,要么自己去下载,自己下载的最好方法就是使用爬虫技术,方便简单。下面是自己结合网上的一些爬虫代码修改的python代码,其可以无限制的爬百度图片,已经可以满足很多需求了。具体代码如下:
#coding: utf-8import osimport reimport urllibimport urllib2import itertools #迭代器from string import maketransimport socketstr_table = { '_z2C$q': ':', '_z&e3B': '.', 'AzdH3F': '/'}char_table = { 'w': 'a', 'k': 'b', 'v': 'c', '1': 'd', 'j': 'e', 'u': 'f', '2': 'g', 'i': 'h', 't': 'i', '3': 'j', 'h': 'k', 's': 'l', '4': 'm', 'g': 'n', '5': 'o', 'r': 'p', 'q': 'q', '6': 'r', 'f': 's', 'p': 't', '7': 'u', 'e': 'v', 'o': 'w', '8': '1', 'd': '2', 'n': '3', '9': '4', 'c': '5', 'm': '6', '0': '7', 'b': '8', 'l': '9', 'a': '0'}intab="wkv1ju2it3hs4g5rq6fp7eo8dn9cm0bla"outtab="abcdefghijklmnopqrstuvw1234567890"trantab = maketrans(intab, outtab)char_table = {ord(key): ord(value) for key, value in char_table.items()}def deCode(url): # 先替换字符串 for key, value in str_table.items(): url = url.replace(key, value) # 再替换剩下的字符 d=url.translate(trantab) return ddef getMoreURL(word): word = urllib.quote(word) url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}" \ r"&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=30" urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=30)) #itertools.count 0开始,步长30,迭代 return urlsdef getHtml(url): page=urllib.urlopen(url) html=page.read() return html#解析图片url解码def getImg(html): reg=r'"objURL":"(.*?)"' #正则 # 括号表示分组,将括号的内容捕获到分组当中 # 这个括号也就可以匹配网页中图片的url了 imgre=re.compile(reg) imageList=re.findall(imgre, html) imgUrls=[] for image in imageList: imgUrls.append(deCode(image)) l=len(imgUrls) print l return imgUrlsdef downLoad(urls,path): global index for url in urls: print("Downloading:", url) try: res = urllib2.Request(url) except: print"request error!" continue try: response = urllib2.urlopen(res ,data=None, timeout=15) #超时处理 except: #抓取代码执行产生的所有错误。 # if hasattr(e,'code'): # error_status = e.code # print(error_status, "未下载成功:", url) # continue # elif hasattr(e,'reason'): # print( "time out", url) # continue continue #对抛出的错误不进行处理,重新爬取下一帧图片 filename = os.path.join(path, str(index) + ".jpg") print "start" try: #下载数据代码可能会因为网速、图像数据大等原因导致代码一直卡死,加上socket就是限制下载时间,如果超过设定 #时间仍无响应则抛弃此帧图片 socket.setdefaulttimeout(5.0) retval=urllib.urlretrieve(url,filename) #直接将远程数据下载到本地。 except: #抓取代码执行产生的所有错误,主要错误有下载的图像数据小于原始图像数大小,抛出异常。 print "time_caoshi" retval=None continue print "end" index += 1 # urllib.urlretrieve(url[, filename[, reporthook[, data]]]) # 参数说明: # url:外部或者本地url # filename:指定了保存到本地的路径(如果未指定该参数,urllib会生成一个临时文件来保存数据); # reporthook:是一个回调函数,当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。 # data:指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers),filename表示保存到本地的路径,header表示服务器的响应头。 if index-1==1000: breakif __name__ == '__main__': keyWord="番茄" #这是百度图片搜索里的关键字 index = 1 Savepath = "D:\TestDownload" urls=getMoreURL(keyWord) #这里把中文关键字进行编码 for url in urls: downLoad(getImg(getHtml(url)),Savepath) if index-1>1000: break
阅读全文
0 0
- 一款真正可以用于爬百度图片的爬虫python代码,自己改进的!!
- 改进的Python贴吧爬虫代码
- 入门级别的Python爬虫代码 爬取百度上的图片
- ZoomMarker 一款用于图片滚动放大拖动,且可以添加标记的jQuery插件
- Python 百度爬虫图片
- python爬虫抓取多关键词搜索的百度图片
- 一个可以用于在百科搜索大量关键词的python爬虫
- 自己用python捣鼓的煎蛋网图片爬虫
- python 上个小爬虫的改进
- python爬虫之爬百度美女图片
- Python爬虫爬取百度图片
- python 爬虫爬取百度图片
- python学习(7):python爬虫之爬取动态加载的图片,以百度图片为例
- Python3爬虫百度图片搜索的图片
- 一个python爬图片的小爬虫
- python爬虫----简单的图片爬取
- python爬虫爬取好看的图片
- 百度图片爬虫-python语言
- java 设计模式--单例模式
- linux上部署hadoop的集成开发环境+倒排索引程序测试
- 一篇关于流量(DDoS)攻击文章
- Android中抽屉实现,HorizontalScrollView横向滑动传值后获取数据
- Linux内核通知链notifier
- 一款真正可以用于爬百度图片的爬虫python代码,自己改进的!!
- 在perl中使用linux date
- 面向对象的第二个特征----继承I(单继承与多重继承)
- Dubbo简易监控中心安装
- JS 获取当前日期三个月的日期,去除周末
- HttpsURLConnection的使用
- Android贝塞尔曲线运用-圆形水波进度
- 设计模式之单例模式
- 视频动作识别--Temporal Segment Networks: Towards Good Practices for Deep Action Recognition