Python之多線程爬蟲抓取網頁圖片的實戰代碼

本篇文章主要介紹了Python之多線程爬蟲抓取網頁圖片的示例代碼，小編以爲挺不錯的，如今分享給你們，也給你們作個參考。一塊兒跟隨小編過來看看吧
寫到這裏 順便給你們推薦一個資源很全的python學習免非解答.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下能夠找到了，這裏有資深程序員分享之前學習心得，學習筆記，還有一線企業的工做經驗，且給你們精心整理一份python零基礎到項目實戰的資料，天天給你們講解python最新的技術，前景，學習須要留言的小細節
目標

嗯，咱們知道搜索或瀏覽網站時會有不少精美、漂亮的圖片。

咱們下載的時候，得鼠標一個個下載，並且還翻頁。

那麼，有沒有一種方法，可使用非人工方式自動識別並下載圖片。美美噠。

那麼請使用python語言，構建一個抓取和下載網頁圖片的爬蟲。

固然爲了提升效率，咱們同時採用多線程並行方式。

思路分析

Python有不少的第三方庫，能夠幫助咱們實現各類各樣的功能。問題在於，咱們弄清楚咱們須要什麼：

1）http請求庫，根據網站地址能夠獲取網頁源代碼。甚至能夠下載圖片寫入磁盤。

2）解析網頁源代碼，識別圖片鏈接地址。好比正則表達式，或者簡易的第三方庫。

3）支持構建多線程或線程池。

4）若是可能，須要僞形成瀏覽器，或繞過網站校驗。（嗯，網站有可能會防着爬蟲 😉）

5）若是可能，也須要自動建立目錄，隨機數、日期時間等相關內容。

如此，咱們開始搞事情。O(∩_∩)O~

環境配置

操做系統：windows 或 linux 皆可

Python版本：Python3.6 ( not Python 2.x 哦)

第三方庫

urllib.request

threading 或者 concurrent.futures 多線程或線程池（python3.2+）

re 正則表達式內置模塊

os 操做系統內置模塊

編碼過程

咱們分解一下過程。完整源代碼在博文最終提供。

假裝爲瀏覽器

import urllib.request

# ------ 假裝爲瀏覽器 ---
def makeOpener(head={
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Connection': 'keep-alive',
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'
}):
cj = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
header = []
for key, value in head.items():
elem = (key, value)
header.append(elem)
opener.addheaders = header
return opener
獲取網頁源代碼

# ------ 獲取網頁源代碼 ---
# url 網頁連接地址
def getHtml(url):
print('url='+url)
oper = makeOpener()
if oper is not None:
page = oper.open(url)
#print ('-----oper----')
else:
req=urllib.request.Request(url)
# 爬蟲假裝瀏覽器
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0')
page = urllib.request.urlopen(req)
html = page.read()
if collectHtmlEnabled: #是否採集html
with open('html.txt', 'wb') as f:
f.write(html) # 採集到本地文件，來分析
# ------ 修改html對象內的字符編碼爲UTF-8 ------
if chardetSupport:
cdt = chardet.detect(html)
charset = cdt['encoding'] #用chardet進行內容分析
else:
charset = 'utf8'
try:
result = html.decode(charset)
except:
result = html.decode('gbk')
return result

下載單個圖片

# ------ 根據圖片url下載圖片 ------
# folderPath 定義圖片存放的目錄 imgUrl 一個圖片的連接地址 index 索引，表示第幾個圖片
def downloadImg(folderPath, imgUrl, index):
# ------ 異常處理 ------
try:
imgContent = (urllib.request.urlopen(imgUrl)).read()
except urllib.error.URLError as e:
if printLogEnabled : print ('【錯誤】當前圖片沒法下載')
return False
except urllib.error.HTTPError as e:
if printLogEnabled : print ('【錯誤】當前圖片下載異常')
return False
else:
imgeNameFromUrl = os.path.basename(imgUrl)
if printLogEnabled : print ('正在下載第'+str(index+1)+'張圖片，圖片地址:'+str(imgUrl))
# ------ IO處理 ------
isExists=os.path.exists(folderPath)
if not isExists: # 目錄不存在，則建立
os.makedirs( folderPath )
#print ('建立目錄')
# 圖片名命名規則，隨機字符串
imgName = imgeNameFromUrl
if len(imgeNameFromUrl) < 8:
imgName = random_str(4) + random_str(1,'123456789') + random_str(2,'0123456789')+"_" + imgeNameFromUrl
filename= folderPath + "\\"+str(imgName)+".jpg"
try:
with open(filename, 'wb') as f:
f.write(imgContent) # 寫入本地磁盤
# if printLogEnabled : print ('下載完成第'+str(index+1)+'張圖片')
except :
return False
return True

下載一批圖片（多線程/線程池模式皆支持）# ------ 批量下載圖片 ------

# folderPath 定義圖片存放的目錄 imgList 多個圖片的連接地址
def downloadImgList(folderPath, imgList):
index = 0
# print ('poolSupport='+str(poolSupport))
if not poolSupport:
#print ('多線程模式')
# ------ 多線程編程 ------
threads = []
for imgUrl in imgList:
# if printLogEnabled : print ('準備下載第'+str(index+1)+'張圖片')
threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,)))
index += 1
for t in threads:
t.setDaemon(True)
t.start()
t.join() #父線程，等待全部線程結束
if len(imgList) >0 : print ('下載結束，存放圖片目錄：' + str(folderPath))
else:
#print ('線程池模式')
# ------ 線程池編程 ------
futures = []
# 建立一個最大可容納N個task的線程池 thePoolSize 爲 全局變量
with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool:
for imgUrl in imgList:
# if printLogEnabled : print ('準備下載第'+str(index+1)+'張圖片')
futures.append(pool.submit(downloadImg, folderPath, imgUrl, index))
index += 1
result = concurrent.futures.wait(futures, timeout=None, return_when='ALL_COMPLETED')
suc = 0
for f in result.done:
if f.result(): suc +=1
print('下載結束，總數：'+str(len(imgList))+'，成功數：'+str(suc)+'，存放圖片目錄：' + str(folderPath))

調用例子

如百度貼吧爲例

# ------ 下載百度帖子內全部圖片 ------
# folderPath 定義圖片存放的目錄 url 百度貼吧連接
def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'):
html = getHtml(url)
# ------ 利用正則表達式匹配網頁內容找到圖片地址 ------
#reg = r'src="(.*?\.jpg)"'
reg = r'src="(.*?/sign=.*?\.jpg)"'
imgre = re.compile(reg);
imgList = re.findall(imgre, html)
print ('找到圖片個數：' + str(len(imgList)))
# 下載圖片
if len(imgList) >0 : downloadImgList(folderPath, imgList)

# 程序入口
if __name__ == '__main__':
now = datetime.datetime.now().strftime('%Y-%m-%d %H-%M-%S')
# 下載百度帖子內全部圖片
downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')

效果

 

 最後順便給你們推薦一個資源很全的python學習免非解答.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下能夠找到了，這裏有資深程序員分享之前學習心得，學習筆記，還有一線企業的工做經驗，且給你們精心整理一份python零基礎到項目實戰的資料，天天給你們講解python最新的技術，前景，學習須要留言的小細節

本文的文字及圖片來源於網絡加上本身的想法,僅供學習、交流使用,不具備任何商業用途,版權歸原做者全部,若有問題請及時聯繫咱們以做處理。