python 爬蟲之requests爬取頁面圖片的url，並將圖片下載到本地

夢寐千尋發表於2019-06-12
Python爬蟲

大家好我叫hardy

 

需求：爬取某個頁面，並把該頁面的圖片下載到本地

 

思考：

　　img標籤一個有多少種型別的src值？四種：1、以http開頭的網路連結。2、以“//”開頭網路地址。3、以“/”開頭絕對路徑。4、以“./”開頭相對路徑。當然還有其他型別，不過這個不做考慮，能力有限呀。

　　使用什麼工具？我用requests、xpth

　　都有那些步驟：1、爬取網頁

　　　　　　　　　　2、分析html並獲取img中的src的值

　　　　　　　　　　3、獲取圖片

　　　　　　　　　　4、儲存

 

具體實現

import requests
from lxml import etree
import time
import os
import re

requests = requests.session()

website_url = ''
website_name = ''

'''
爬取的頁面
'''
def html_url(url):
    try:
        head = set_headers()
        text = requests.get(url,headers=head)
        # print(text)
        html = etree.HTML(text.text)
        img = html.xpath('//img/@src')
        # 儲存圖片
        for src in img:
            src = auto_completion(src)
            file_path = save_image(src)
            if file_path == False:
                print('請求的圖片路徑出錯，url地址為：%s'%src)
            else :
                print('儲存圖片的地址為：%s'%file_path)
    except requests.exceptions.ConnectionError as e:
        print('網路地址無法訪問，請檢查')
        print(e)
    except requests.exceptions.RequestException as e:
        print('訪問異常：')
        print(e)


'''
儲存圖片
'''
def save_image(image_url):
    size = 0
    number = 0
    while size == 0:
        try:
            img_file = requests.get(image_url)
        except requests.exceptions.RequestException as e:
            raise e

        # 不是圖片跳過
        if check_image(img_file.headers['Content-Type']):
            return False
        file_path = image_path(img_file.headers)
        # 儲存
        with open(file_path, 'wb') as f:
            f.write(img_file.content)
        # 判斷是否正確儲存圖片
        size = os.path.getsize(file_path)
        if size == 0:
            os.remove(file_path)
        # 如果該圖片獲取超過十次則跳過
        number += 1
        if number >= 10:
            break
    return (file_path if (size > 0) else False)

'''
自動完成url的補充
'''
def auto_completion(url):
    global website_name,website_url
    #如果是http://或者https://開頭直接返回
    if re.match('http://|https://',url):
        return url
    elif re.match('//',url):
        if 'https://' in website_name:
            return 'https:'+url
        elif 'http://' in website_name:
            return 'http:' + url
    elif re.match('/',url):
        return website_name+url
    elif re.match('./'):
        return website_url+url[1::]

'''
圖片儲存的路徑
'''
def image_path(header):
    # 資料夾
    file_dir = './save_image/'
    if not os.path.exists(file_dir):
        os.makedirs(file_dir)
    # 檔名
    file_name = str(time.time())
    # 檔案字尾
    suffix = img_type(header)

    return file_dir + file_name + suffix


'''
獲取圖片字尾名
'''
def img_type(header):
    # 獲取檔案屬性
    image_attr = header['Content-Type']
    # 獲取字尾
    suffix = image_attr.split('/')[1]
    if suffix == 'jpeg':
        suffix = 'jpg'

    return '.' + suffix


# 檢查是否為圖片型別
def check_image(content_type):
    if 'image' in content_type:
        return False
    else:
        return True
#設定頭部
def set_headers():
    global website_name, website_url
    head = {
        'Host':website_name.split('//')[1],
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36',
    }
    return head



if __name__ == '__main__':

    #當前的url，不包含檔名的比如index.html，用來下載當前頁的頁面圖片(./)
    website_url = 'https://dig.chouti.com/all/hot/recent'
    #域名，用來下載"/"開頭的圖片地址
    #感興趣的朋友請幫我完善一下這個自動完成圖片url的補充
    website_name = 'https://dig.chouti.com'
    url = 'https://dig.chouti.com/all/hot/recent/1'
    html_url(url)

 

相關文章