爬蟲敏感圖片的識別與過濾，瞭解一下？

需求

咱們須要識別出敏感做者的avatar頭像,把」皮卡丘「換成」優雅的python「。

敏感圖片樣本屬性:

爬蟲獲取的圖片屬性：

替換成：

原理

檢查兩個圖片的類似度，一個簡單而快速的算法：感知哈希算法(Perceptual Hash)，經過某種提取特徵的方式爲每一個圖片計算一個指紋（哈希），這樣對比兩個圖片類似與否就變成了對比兩個指紋異同的問題。

實現

Step1.縮小尺寸

將圖片縮小到8*8的大小，這樣作能夠去除圖片的細節，只保留結構和明暗等基本信息，同時摒棄不一樣尺寸和比例帶來的圖片差別。

Step2.灰度處理

把縮小後的圖片轉化爲64級灰度圖（每一個像素只有64種顏色）。

Step3.計算平均值

計算全部64個像素的灰度平均值。

Step4.計算哈希

這裏哈希的計算方法是：上面說的64個像素的灰度與平均值進行比較，大於或等於平均值記爲1，小於記爲0。

將每一個像素的比較結果組合在一塊兒成爲一個64位的二進制整數，這個整數就是此圖片的指紋。

Step5.對比哈希

不一樣圖片對比的方法，就是對比它們的64位哈希中，有多少位不同（漢明距離）。通常來講若是不一樣的位數不超過5，就說明兩張圖片很類似，若是大於10，就極可能是兩張不一樣的圖片。

代碼(python3)

先來安裝pillow、requests:

pip3 install pillow requests
複製代碼

導入包:

from functools import reduce
from PIL import Image
import requests
複製代碼

實現圖片類似度算法:

# 計算pHash（只須要三行）:
def phash(img):
    img = img.resize((8, 8), Image.ANTIALIAS).convert('L')
    avg = reduce(lambda x, y: x + y, img.getdata()) / 64.
    return reduce(
        lambda x, y: x | (y[1] << y[0]),
        enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())),
        0
    )

# 計算漢明距離:
def hamming_distance(a, b):
    return bin(a^b).count('1')

# 計算兩個圖片是否類似:
def is_imgs_similar(img1,img2):
	return True if hamming_distance(phash(img1),phash(img2)) <= 5 else False
複製代碼

結合爬蟲:

# 打開本地存放一張敏感圖片;
# 本次爲了方便演示，重新浪圖牀拉下一張1024X1024的圖片，保存命名爲sensitive.jpg
sensitive_url="https://ws4.sinaimg.cn/large/006tNbRwgy1fwttj7bi36j30sg0sgwm0.jpg"
headers = {
        "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5"}
pic = requests.get(sensitive_url, headers=headers, timeout=300)
if pic.status_code == 200:
    with open("sensitive.jpg", 'wb') as f:
        f.write(pic.content)
sensitive_pic = Image.open("sensitive.jpg")

# 爬蟲獲取的圖片
target_url="https://ws3.sinaimg.cn/large/006tNbRwgy1fwttsauo6jj30h80han0y.jpg"
pic = requests.get(target_url, headers=headers, timeout=300)
if pic.status_code == 200:
    with open("target.jpg", 'wb') as f:
        f.write(pic.content)
target_pic = Image.open("target.jpg")

# 判斷爬蟲獲取的圖片和敏感圖片是否類似
if is_imgs_similar(target_pic, sensitive_pic):
    print("2張圖片類似,替換敏感圖片爲」優雅的python「:{}".format("https://user-gold-cdn.xitu.io/2018/11/3/166d7edc954875ac?w=1230&h=1230&f=jpeg&s=119846"))
else:
    print("不類似")
複製代碼

運行結果：

github源碼

gist.github.com/luzihang123…

參考文章

• 類似圖片檢測？三行代碼就夠了 - 掘金
• 此 Python2 腳本怎麼修改成 Python3 運行 - V2EX