python抓取百度图片（关键字搜索）

原文链接

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# python3.0语法

# 用 python3 CaptureData 调用python文件

import os

import re

import urllib

import json

import socket

import urllib.request

import urllib.parse

import urllib.error

# 设置超时

import time

timeout = 5

socket.setdefaulttimeout(timeout)

class Crawler:

    # 睡眠时长

    __time_sleep = 0.1

    __amount = 0

    __start_amount = 0

    __counter = 0

    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}

    # 获取图片url内容等

    # t 下载图片时间间隔

    def __init__(self, t=0.1):

        self.time_sleep = t

    # 保存图片

    def __save_image(self, rsp_data, word):

        if not os.path.exists("./" + word):

            os.mkdir("./" + word)

        # 判断名字是否重复，获取图片长度

        self.__counter = len(os.listdir('./' + word)) + 1

        for image_info in rsp_data['imgs']:

            try:

                time.sleep(self.time_sleep)

                fix = self.__get_suffix(image_info['objURL'])

                urllib.request.urlretrieve(image_info['objURL'], './' + word + '/' + str(self.__counter) + str(fix))

            except urllib.error.HTTPError as urllib_err:

                print(urllib_err)

                continue

            except Exception as err:

                time.sleep(1)

                print(err)

                print("产生未知错误，放弃保存")

                continue

            else:

                print("小黄图+1,已有" + str(self.__counter) + "张小黄图")

                self.__counter += 1

        return

    # 获取后缀名

    @staticmethod

    def __get_suffix(name):

        m = re.search(r'\.[^\.]*$', name)

        if m.group(0) and len(m.group(0)) <= 5:

            return m.group(0)

        else:

            return '.jpeg'

    # 获取前缀

    @staticmethod

    def __get_prefix(name):

        return name[:name.find('.')]

    # 开始获取

    def __get_images(self, word='美女'):

        search = urllib.parse.quote(word)

        # pn int 图片数

        pn = self.__start_amount

        while pn < self.__amount:

            url = 'http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=' + search + '&cg=girl&pn=' + str(

                pn) + '&rn=60&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=1e0000001e'

            # 设置header防ban

            print (url)

            try:

                time.sleep(self.time_sleep)

                req = urllib.request.Request(url=url, headers=self.headers)

                page = urllib.request.urlopen(req)

                rsp = page.read().decode('unicode_escape')

            except UnicodeDecodeError as e:

                print(e)

                print('-----UnicodeDecodeErrorurl:', url)

            except urllib.error.URLError as e:

                print(e)

                print("-----urlErrorurl:", url)

            except socket.timeout as e:

                print(e)

                print("-----socket timout:", url)

            else:

                # 解析json

                rsp_data = json.loads(rsp)

                self.__save_image(rsp_data, word)

                # 读取下一页

                print("下载下一页")

                pn += 60

            finally:

                page.close()

        print("下载任务结束")

        return

    def start(self, word, spider_page_num=1, start_page=1):

        """

        爬虫入口

        :param word: 抓取的关键词

        :param spider_page_num: 需要抓取数据页数 总抓取图片数量为 页数x60

        :param start_page:起始页数

        :return:

        """

        self.__start_amount = (start_page - 1) * 60

        self.__amount = spider_page_num * 60 + self.__start_amount

        self.__get_images(word)

if __name__ == '__main__':

    crawler = Crawler(0.05)

    # crawler.start('美女', 1, 2)

    crawler.start('室内自拍', 3, 3)

#    crawler.start('帅哥', 5)