python图片爬虫

前言

unslpash绝对是找图的绝佳场所, 但是进网站等待图片加载真的令人捉急, 仿佛是一场拼RP的战争 然后就开始思考用爬虫帮我批量下载, 等下载完再挑选, 操作了一下不算很麻烦, 顺便也给大家提供一个粗糙的批量下载图片的思路.

分析

1. 进入网站发现不存在翻页, 一直下滑就会一直就内容, 考虑是Ajar
   右键, 进入检查->NetWork->XHR, 查看一下页面的规律 https://unsplash.com/napi/search/photos?query=输入的查询关键字&xp=&per_page=每页的图像个数&page=第几页

2. 获取了页面URL之后再来看看每次下载的图片的地址的规律https://images.unsplash.com/photo-1514883212130-343c0e4bd349?ixlib=rb-1.2.1&q=85&fm=jpg&crop=entropy&cs=srgb&dl=anh-nguyen-FZZkQZDQCtw-unsplash.jpg看起来很复杂的亚子, 先不管, 去响应内容里面看看有没有什么能用的, 来构造出这个复杂的URL

3. 分析响应内容
   
   每一条都对应着该页的一个图片信息, 我们点开第一个看看
   
   
   可以看到第三行中有一个名为id的键对应的值为FZZkQZDQCtw, 在下载的URL中出来了.
   
   再往下翻, user中的name对应的值是不是和下载的URL中出现的anh-nguyen很像?只是分隔符不同.
   
   距离拼出来下载URL已经成功了一半, 前面还有一大串东西没有找出来, 再去urls中找找
   
   可以发现第一个full对应的url和下载url相似程度极高, 但是又多出来了一部分, 这个直接切片即可

至此构造下载URL需要的碎片已全部集齐, 马上就可以召唤神龙.

程序

import requests
from selenium import webdriver
import time
driver = webdriver.Chrome()
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
}
# 以搜索关键字job为例
base_url = 'https://unsplash.com/napi/search/photos?query=job&xp=&per_page=20&page=2'
response = requests.get(base_url, headers=headers)
data = response.json()



# 获取响应内容
def get_data(base_url):
    response = requests.get(base_url, headers=headers)
    data = response.json()
    return data


# 从相应内容中构造下载图片的url
def download(d):
    datas = d.get('results')
    for data in datas:
        id = data.get('id')
        t_url = data.get('urls').get('full')
        t = t_url.index('ixid=')
        t_url = t_url[:t]
        name = data.get('user').get('name')
        name = name.replace(" ", '-')
        url = t_url + '&dl=' + name + '-' + id + '-unsplash.jpg'
        # 自动模拟浏览器下载
        driver.get(url)


data = get_data(base_url)
download(data)
# 可能最后的几张图片无法被下载就直接关闭浏览器了
time.sleep(30)
driver.quit()

测试

完美运行

拓展

既然已经发现了页面url的规律, 我们可以自己构造一个url, 一页可以多显示一些图片, 再进行下载.

def change_url(keyword, pre_page, page):
    base_url = 'https://unsplash.com/napi/search/photos?query=' + keyword + '&xp=&per_page=' + str(pre_page) + '&page=' + str(page)
    return base_url