爬虫技术——小白入狱案例

知孤云出岫

要实现大批量爬取百度图片，可以使用Python编写一个网络爬虫，通过发送HTTP请求并解析网页内容获取图片URL，然后将图片下载到本地。以下是一个详细的技术案例，包括具体实现步骤和代码示例。

1. 案例概述

百度图片搜索页面可以展示大量的图片，我们可以通过分析其请求规律，编写爬虫从页面中获取图片URL，并将图片批量下载。我们将使用requests库获取网页内容，BeautifulSoup库解析HTML，re库进行正则匹配，同时使用多线程或异步库加速下载过程。

2. 案例需求分析

• 目标：批量下载百度图片搜索结果中的优质图片
• 技术栈：Python、requests、BeautifulSoup、正则表达式、线程池
• 难点：
  • 爬虫需要模拟浏览器请求，避免被反爬机制检测
  • 图片下载需高效且保证成功率
  • 百度图片页面的URL是动态生成的，需要正确分析数据接口

3. 实现步骤

Step 1: 环境准备

pip install requests
pip install beautifulsoup4

Step 2: 分析百度图片URL请求规律

在百度图片页面进行搜索，使用浏览器开发者工具（F12）查看网络请求。可以发现，图片信息是通过特定的JSON接口获取的。通常请求的URL格式如下：

https://image.baidu.com/search/acjson?tn=resultjson_com&logid=XXXXX&ipn=rj&ct=201326592&is=&fp=result&queryWord={keyword}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word={keyword}&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&pn={page_num}&rn=30

• queryWord和word是搜索关键词。
• pn表示图片页码。
• rn表示每页图片数量。

Step 3: 编写爬虫代码

以下代码示例展示了如何构建一个百度图片爬虫。该爬虫首先发起HTTP请求获取JSON数据，再解析其中的图片URL，然后逐一下载图片到本地。

import os
import re
import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor

# 定义请求头，模拟浏览器行为
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36"
}

# 创建文件夹存储图片
def create_folder(folder_name):
    if not os.path.exists(folder_name):
        os.makedirs(folder_name)

# 获取图片URL列表
def fetch_image_urls(keyword, page_num):
    url = f"https://image.baidu.com/search/acjson?tn=resultjson_com&logid=XXXXX&ipn=rj&ct=201326592&is=&fp=result&queryWord={keyword}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word={keyword}&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&pn={page_num*30}&rn=30"
    response = requests.get(url, headers=headers)
    response.encoding = 'utf-8'
    # 使用正则表达式提取所有图片的URL
    img_urls = re.findall(r'"thumbURL":"(http.*?)"', response.text)
    return img_urls

# 下载图片
def download_image(img_url, folder_name):
    try:
        img_data = requests.get(img_url, headers=headers).content
        img_name = os.path.join(folder_name, img_url.split('/')[-1])
        with open(img_name, 'wb') as img_file:
            img_file.write(img_data)
        print(f"Downloaded: {img_name}")
    except Exception as e:
        print(f"Failed to download {img_url}: {e}")

# 主函数，负责获取URL和下载图片
def main(keyword, num_pages, folder_name="images"):
    create_folder(folder_name)
    with ThreadPoolExecutor(max_workers=10) as executor:
        for page_num in range(num_pages):
            img_urls = fetch_image_urls(keyword, page_num)
            for img_url in img_urls:
                executor.submit(download_image, img_url, folder_name)

# 执行爬虫
if __name__ == "__main__":
    search_keyword = "风景"  # 可替换成需要的搜索关键词
    main(search_keyword, num_pages=5)

代码解析

1. 请求图片数据：fetch_image_urls函数构造URL并发起请求，返回包含图片URL的列表。
2. 图片下载：download_image函数负责下载并保存图片，同时使用多线程加速下载过程。
3. 多线程下载：ThreadPoolExecutor用于并行下载图片。

4. 运行代码

运行以上代码后，会在images文件夹下存储批量下载的百度图片。根据网络环境和页面数量，可实现高效的图片下载。

5. 注意事项

1. 反爬策略：百度可能会检测异常访问频率导致IP封禁。可以通过减少请求频率、使用代理IP等方式规避反爬。
2. 使用代理：在高频请求情况下，建议添加代理池来模拟不同IP访问。
3. 延时操作：为避免频繁请求导致的封禁，可以在请求间添加随机延时。

6. 案例总结

以上技术案例展示了如何利用Python爬虫实现大批量百度图片的下载。通过合理构造请求、使用正则表达式解析数据，以及使用多线程提升效率，该爬虫具备较好的性能和可拓展性。