Python爬虫获取百度的图片

Bertha 。 2024-02-05 22:27 40阅读 0赞

## 一. 爬虫的方式： ##

**主要有2种方式:**

**①Scrapy+Xpath (API 静态 爬取-直接post get)**

**②selenium+Xpath (点击 动态 爬取-模拟)**

### **Scrapy+Xpath**  ###

XPath 是 Scrapy 中常用的一种解析器，可以帮助爬虫定位和提取 HTML 或 XML 文档中的数据。

Scrapy 中使用 XPath 的方式和普通的 Python 程序基本一致。我们需要首先导入 scrapy 的 Selector 类和 scrapy 的 Request 类，然后使用 Selector 类来解析 Response 对象，并使用 XPath 表达式来定位和提取数据。

详细讲解可以参考：[Scrapy爬虫学习笔记之二（Xpath的用法） - 知乎][Scrapy_Xpath_ -]

### **selenium+Xpath** ###

Selenium 是为了解决 requests 无法直接执行 JavaScript 代码的问题。本质是通过驱动浏览器，完全模拟浏览器的操作，输入、点击、下拉等。

安装：`pip install selenium`

使用需要下载浏览器驱动，并且驱动要跟浏览器版本对应

**chrome浏览器版本在114之前**

浏览器版本在114之前，可以进入以下网址[http://chromedriver.storage.googleapis.com/index.html][http_chromedriver.storage.googleapis.com_index.html]，直接下载相应的文件

**chrome浏览器版本在115以上**

以下版本皆为chromedriver版本

例如：version : 119.0.6045.21，你电脑的浏览器版本为其他版本，如118.0.5952.2，只需要把链接中的版本号替换成这个编号即可

<table style="width:500px;"> 
 <tbody> 
  <tr> 
   <td style="width:92px;">平台</td> 
   <td style="width:406px;">下载地址</td> 
  </tr> 
  <tr> 
   <td style="width:92px;">linux64</td> 
   <td style="width:406px;"><a rel="nofollow">http:// https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/linux64/chromedriver-linux64.zip</a></td> 
  </tr> 
  <tr> 
   <td style="width:92px;">mac-arm64</td> 
   <td style="width:406px;"><a href="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-arm64/chromedriver-mac-arm64.zip" rel="nofollow" title="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-arm64/chromedriver-mac-arm64.zip">https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-arm64/chromedriver-mac-arm64.zip</a></td> 
  </tr> 
  <tr> 
   <td style="width:92px;">mac-x64</td> 
   <td style="width:406px;"><a href="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-x64/chromedriver-mac-x64.zip" rel="nofollow" title="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-x64/chromedriver-mac-x64.zip">https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/mac-x64/chromedriver-mac-x64.zip</a></td> 
  </tr> 
  <tr> 
   <td style="width:92px;">win32</td> 
   <td style="width:406px;"><a href="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win32/chromedriver-win32.zip" rel="nofollow" title="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win32/chromedriver-win32.zip">https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win32/chromedriver-win32.zip</a></td> 
  </tr> 
  <tr> 
   <td style="width:92px;">win64</td> 
   <td style="width:406px;"><a href="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win64/chromedriver-win64.zip" rel="nofollow" title="https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win64/chromedriver-win64.zip">https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.21/win64/chromedriver-win64.zip</a></td> 
  </tr> 
 </tbody> 
</table>

**Chromedriver 插件安装教程**

**参考：**[稳扎稳打学爬虫09—chromedriver下载与安装方法-CSDN博客][09_chromedriver_-CSDN]

**下面简单使用模拟百度搜索：**

import time
    
    from selenium import webdriver
    
    bro = webdriver.Chrome(executable_path='./chromedriver.exe')  # 得到一个谷歌浏览器对象，并指定使用那个驱动
    
    bro.implicitly_wait(5)  # 隐士等待：找一个控件，如果控件没有加载出来，就等待5S，只需要写着一句，以后所有控件都按照这个操作来
    
    bro.get('https://www.baidu.com')  # 在地址栏里输入百度
    
    input_k = bro.find_element_by_id('kw')  # 找到百度输入框对应的控件
    
    input_k.send_keys('火灾火焰')  # 框里面输入python
    
    sou = bro.find_element_by_id('su')  # 找到搜索按钮
    
    sou.click()  # 点击搜索按钮
    
    time.sleep(3)
    
    bro.close()  # 关闭浏览器

**selenium**详细用法参考：[https://www.cnblogs.com/XiaoYang-sir/p/15173174.html][https_www.cnblogs.com_XiaoYang-sir_p_15173174.html]

## 二. selenium+xpath ##

利用selenium获取元素定位方法，爬取百度图片

通过定位获取完整爬取图片的超链接信息，鼠标放置百度页面右键=》检测

![9c7583f670ac4327a86a68721de54ae8.png][]

**完整爬取代码**

'''
    
    注释：
        @author is leilei
        百度图片爬虫，采用selenium模拟鼠标点击形式
        1. 将要搜索的文本表示成list
        2. 打开百度图片官网，输入文本，搜索
        3. 逐条下载对应的图片
    注：
        本代码支持断点续爬！
    '''
    
    import os
    import uuid
    import time
    import random
    import urllib
    import urllib.request
    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys  # 键盘类
    
    
    #爬取的种类图片
    NameList=['火灾火焰', '火灾烟雾']
    
    def send_param_to_baidu(name, browser):
        '''
        :param name:    str
        :param browser: webdriver.Chrome 实际应该是全局变量的
        :return:        将要输入的 关键字 输入百度图片
        '''
        # 采用id进行xpath选择，id一般唯一
        inputs = browser.find_element_by_xpath('//input[@id="kw"]')
        inputs.clear()
        inputs.send_keys(name)
        time.sleep(1)
        inputs.send_keys(Keys.ENTER)
        time.sleep(1)
    
        return
    
    '''
    写Python爬虫的时候，没过多久Python就会报错，然后停止采集。总是没办法从头到尾把数据采集下来。
    每一下次报错我都要去找原因，比如我要采集的标签里面没有URL，URL为空就会报错，
    或者页面没有URL也会报错。于是我是用try…except语句跳过错误，但是还是会遇到其他问题，
    就是try…except语句只能跳过一次错误，第二次错误就会失效。所以采用了下面这种mistaken方法处理异常。
    '''
    def mistaken():
    	try:
    		print('*****出现异常错误，跳过此次循环，爬取无内容*****')
    		######采集代码##########
    		print('——————————接下来继续运行——————————')
    	except:
    		mistaken()
    
    def download_baidu_images(save_path, img_num, browser):
        ''' 此函数应在
        :param save_path: 下载路径 str
        :param img_num:   下载图片数量 int
        :param name:   爬取种类的名字
        :param browser:   webdriver.Chrome
        :return:
        '''
        if not os.path.exists(save_path):
            os.makedirs(save_path)
    
        ##下面是打开第一张图片，然后在此界面中点击左右切换图片
        # // *[ @ id = "imgid"]/div[1]/ul/li[1]/div/div[2]/a/img
        #如果这里报错，其中下面这里的定位地址，需要根据百度你爬取的图片的位置进行相应的修改
        img_link = browser.find_element_by_xpath(' //*[@id = "imgid"]/div[1]/ul/li[1]/div/div[2]/a/img')
        img_link.click()
    
        # 切换窗口
        windows = browser.window_handles
        browser.switch_to.window(windows[-1])  #切换到图像界面
        # time.sleep(3)
        time.sleep(random.random())
    
        for i in range(img_num):
            img_link_ = browser.find_element_by_xpath('//div/img[@class="currentImg"]')
            src_link = img_link_.get_attribute('src')
            print(src_link)
            # 保存图片，使用urlib
            img_name = uuid.uuid4()
            # urllib.request.urlretrieve(src_link, os.path.join(save_path, str(img_name) + '.jpg'))
            # 上述一行代码直接去访问资源会报403错误，排查发现可能是服务器开启了反爬虫，针对这种情况添加headers浏览器头，模拟人工访问网站行为：
            opener = urllib.request.build_opener()
            # 构建请求头列表每次随机选择一个
            ua_list = ['Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:102.0) Gecko/20100101 Firefox/102.0',
                       'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36',
                       'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.62',
                       'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:98.0) Gecko/20100101 Firefox/98.0',
                       'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0'
                       ]
            opener.addheaders = [('User-Agent', random.choice(ua_list))]
            urllib.request.install_opener(opener)
    
            #为了不中断程序完整爬取，所以处理爬虫的过程中出现资源请求不到的错误404 或者403的错误，只需要跳过这些错误继续执行
            try:
                urllib.request.urlretrieve(src_link, os.path.join(save_path, str(img_name) + '.jpg'))
            except Exception as e:
                print(e)
                mistaken()
    
    
            # 如果网站反爬虫级别特别高的，还需要切换代理ip：使用urllib模块设置代理IP是比较简单的，首先需要创建ProxyHandler对象，其参数为字典类型的代理IP，键名为协议类型（如HTTP或者HTTPS)，值为代理链接。然后利用ProxyHandler对象与buildopener()
            # 方法构建一个新的opener对象，最后再发送网络请求即可。
            # 创建代理IP
            # proxy_handler = urllib.request.ProxyHandler({
            #     'https': '58.220.95.114:10053'
            # })
            # # 创建opener对象
            # opener = urllib.request.build_opener(proxy_handler)
    
    
            # 关闭图像界面，并切换到外观界面
            time.sleep(random.random())
    
            # 点击下一张图片
            browser.find_element_by_xpath('//span[@class="img-next"]').click()
            time.sleep(random.random())
    
        # 关闭当前窗口，并选择之前的窗口
        browser.close()
        browser.switch_to.window(windows[0])
    
        return
    
    
    def main(names, save_root, img_num=[1000, ], continue_num=0, is_open_chrome=True):
        '''
        :param names: list str
        :param save_root: str
        :param img_num: int list or int
        :param continue_num: int 断点续爬开始索引,从哪一个种类继续爬取
        :param is_open_chrome: 爬虫是否打开浏览器爬取图像 bool default=False
        :return:
        '''
        options = webdriver.ChromeOptions()
        # 设置是否打开浏览器
        if not is_open_chrome:
            options.add_argument('--headless')  # 不打开浏览器
        # else:
        #     prefs = {"profile.managed_default_content_settings.images": 2}  # 禁止图像加载
        #     options.add_experimental_option("prefs", prefs)
    
        # 欺骗反爬虫，浏览器可以打开，但是没有内容
        options.add_argument("--disable-blink-features=AutomationControlled")
        browser = webdriver.Chrome(executable_path=r"D:\Anconda\envs\temp\Lib\site-packages\selenium\webdriver\chrome\chromedriver.exe",options=options)
        browser.maximize_window()
        browser.get(r'https://image.baidu.com/')
        time.sleep(random.random())
    
    
        assert type(names) == list, "names参数必须是字符串列表"
        assert continue_num <= len(names), "中断续爬点需要小于爬虫任务数量"
    
        if type(img_num) == int:
            img_num = [img_num] * len(names)
            print(img_num)
        elif type(img_num) == list:
            print("lsit:{}".format(img_num))
        else:
            print("None, img_num 必须是int list or int")
            return
    
        for i in range(continue_num, len(names)):
            name = names[i]
            save_path = os.path.join(save_root, str(names.index(name)))  # 以索引作为文件夹名称
            send_param_to_baidu(name, browser)
            download_baidu_images(save_path=save_path, img_num=img_num[i],browser=browser)
        # 全部关闭
        browser.quit()
        return
    
    
    if __name__ == "__main__":
        main(names=NameList,save_root=r'C:\Users\HUAWEI\Desktop\photo',img_num=[1000, 1000],continue_num=1)

具体selenium的动态定位法：

参考链接： [https://blog.csdn.net/u012206617/article/details/132451577?utm\_medium=distribute.pc\_relevant.none-task-blog-2~default~baidujs\_baidulandingword~default-0-132451577-blog-109838581.235^v40^pc\_relevant\_anti\_vip&spm=1001.2101.3001.4242.1&utm\_relevant\_index=3][https_blog.csdn.net_u012206617_article_details_132451577_utm_medium_distribute.pc_relevant.none-task-blog-2_default_baidujs_baidulandingword_default-0-132451577-blog-109838581.235_v40_pc_relevant_anti_vip_spm_1001.2101.3001.4242.1_utm_relevant_index_3]

## 三. **Scrapy+Xpath**  ##

**需要使用 icrawler 包 \[ps:**直接pip install icrawler**\]**

**完整的代码1：**

import os
    from icrawler.builtin import BaiduImageCrawler
    from icrawler.builtin import BingImageCrawler
    
    #可以使用,使用icrawler包静态爬取图片
    
    def check_path(path):
        if not os.path.exists(path):
            os.makedirs(path)
        return path
    
    def baidu_bing_crwal(key_words=['中国人'], max_nums=[1000], save_root=r'./'):
        #看是否存在文件夹
        check_path(save_root)
    
        assert len(key_words)==len(max_nums), "关键词和数量必须一致"
        # 2个一起爬虫
        save_root1 = os.path.join(save_root, 'baidu')
        # 百度爬虫
        for i in range(len(key_words)):
            print('-'*20)
            image_save_root = os.path.join(save_root1, str(i))
    
            if not os.path.exists(image_save_root):
                os.makedirs(image_save_root)
    
            storage = {'root_dir': image_save_root}
            crawler = BaiduImageCrawler(storage=storage)
            crawler.crawl(key_words[i], max_num=max_nums[i])
    
        # bing爬虫
        save_root2 = os.path.join(save_root, 'bing')
        for i in range(len(key_words)):
            print('-'*20)
            image_save_root = os.path.join(save_root2, str(i))
    
            if not os.path.exists(image_save_root):
                os.makedirs(image_save_root)
    
            storage = {'root_dir': image_save_root}
            crawler = BingImageCrawler(storage=storage)
    
            crawler.crawl(key_words[i], max_num=max_nums[i])
        return
    
    if __name__ == '__main__':
        # baidu_bing_crwal(key_words=['生活垃圾', '化学垃圾',],
        #                  max_nums=[1000, 1000],
        #                  save_root=r'C:\Users\HUAWEI\Desktop\photo\da')
        baidu_bing_crwal(key_words=['火灾火焰', '火灾烟雾'],
                         max_nums=[1000, 1000],
                         save_root=r'C:\Users\HUAWEI\Desktop\photo\da')

其实简化的静态爬虫方式

**完整的代码2：**

'''
        底层肯定是scrapy静态报文，谷歌引擎不可以，百度最快，bing速度有点慢！
        直接pip install icrawler
        
        若想搜索多个关键词，可以遍历for循环；同时icrawler也可对图像链接list、txt直接遍历：
        UrlListCrawler
    '''
    from icrawler.builtin import GoogleImageCrawler
    from icrawler.builtin import BaiduImageCrawler
    from icrawler.builtin import BingImageCrawler
    
    # storage字典格式'root_dir': 保存路径
    # crawler = BaiduImageCrawler(storage={'root_dir': r'D:\temp\dog'})
    crawler = BaiduImageCrawler(storage={'root_dir': r'C:\Users\HUAWEI\Desktop\photo'})
    crawler.crawl(keyword='火焰', max_num=10)

最后：爬取图片的任务完成了 ，☺☺☺

学习参考链接：[python 爬虫\_python爬虫断点续爬-CSDN博客][python _python_-CSDN]

[稳扎稳打学爬虫09—chromedriver下载与安装方法-CSDN博客][09_chromedriver_-CSDN]

[爬虫selenium获取百度任意图片\_img\_link = browser.find\_elements\_by\_xpath('//li/di-CSDN博客][selenium_img_link _ browser.find_elements_by_xpath_li_di-CSDN][Python爬虫：爬取百度图片（selenium模拟登录，详细注释）\_百度图片 爬虫 find\_elements-CSDN博客][Python_selenium_ _ find_elements-CSDN]

[爬虫selenium获取元素定位方法总结（动态获取元素）\_selenium如何定位动态元素-CSDN博客][https_blog.csdn.net_u012206617_article_details_132451577_utm_medium_distribute.pc_relevant.none-task-blog-2_default_baidujs_baidulandingword_default-0-132451577-blog-109838581.235_v40_pc_relevant_anti_vip_spm_1001.2101.3001.4242.1_utm_relevant_index_3]

[Scrapy_Xpath_ -]: https://zhuanlan.zhihu.com/p/615426419
[http_chromedriver.storage.googleapis.com_index.html]: http://chromedriver.storage.googleapis.com/index.html
[09_chromedriver_-CSDN]: https://blog.csdn.net/one_bird_/article/details/131592362
[https_www.cnblogs.com_XiaoYang-sir_p_15173174.html]: https://www.cnblogs.com/XiaoYang-sir/p/15173174.html
[9c7583f670ac4327a86a68721de54ae8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/9bb24313e7c64fbaa36c390bc632ca51.png
[https_blog.csdn.net_u012206617_article_details_132451577_utm_medium_distribute.pc_relevant.none-task-blog-2_default_baidujs_baidulandingword_default-0-132451577-blog-109838581.235_v40_pc_relevant_anti_vip_spm_1001.2101.3001.4242.1_utm_relevant_index_3]: https://blog.csdn.net/u012206617/article/details/132451577?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0-132451577-blog-109838581.235%5Ev40%5Epc_relevant_anti_vip&spm=1001.2101.3001.4242.1&utm_relevant_index=3
[python _python_-CSDN]: https://blog.csdn.net/LEILEI18A/article/details/105855467
[selenium_img_link _ browser.find_elements_by_xpath_li_di-CSDN]: https://blog.csdn.net/liaoqingjian/article/details/109838581
[Python_selenium_ _ find_elements-CSDN]: https://blog.csdn.net/weixin_44064553/article/details/114809866?spm=1001.2101.3001.6650.3&utm_medium=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromBaidu~Rate-3-114809866-blog-109838581.235%5Ev40%5Epc_relevant_anti_vip&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromBaidu~Rate-3-114809866-blog-109838581.235%5Ev40%5Epc_relevant_anti_vip&utm_relevant_index=6