1 В избранное 0 Ответвления 0

OSCHINA-MIRROR/JIANGWL-BaiduImageSpider

В этом репозитории не указан файл с открытой лицензией (LICENSE). При использовании обратитесь к конкретному описанию проекта и его зависимостям в коде.
Клонировать/Скачать
index.py 3.7 КБ
Копировать Редактировать Web IDE Исходные данные Просмотреть построчно История
JIANGWEILONGGGG Отправлено 11.12.2016 15:08 685c9ef
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import os
import re
import urllib
import json
import socket
import urllib.request
import urllib.parse
import urllib.error
# 设置超时
import time
timeout = 5
socket.setdefaulttimeout(timeout)
class Crawler:
# 睡眠时长
__time_sleep = 0.1
__amount = 0
__start_amount = 0
__counter = 0
# 获取图片url内容等
# t 下载图片时间间隔
def __init__(self, t=0.1):
self.time_sleep = t
# 开始获取
def __getImages(self, word='美女'):
search = urllib.parse.quote(word)
# pn int 图片数
pn = self.__start_amount
while pn < self.__amount:
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}
url = 'http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=' + search + '&cg=girl&pn=' + str(
pn) + '&rn=60&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=1e0000001e'
# 设置header防ban
try:
time.sleep(self.time_sleep)
req = urllib.request.Request(url=url, headers=headers)
page = urllib.request.urlopen(req)
data = page.read().decode('utf8')
except UnicodeDecodeError as e:
print('-----UnicodeDecodeErrorurl:', url)
except urllib.error.URLError as e:
print("-----urlErrorurl:", url)
except socket.timeout as e:
print("-----socket timout:", url)
else:
# 解析json
json_data = json.loads(data)
self.__saveImage(json_data, word)
# 读取下一页
print("下载下一页")
pn += 60
finally:
page.close()
print("下载任务结束")
return
# 保存图片
def __saveImage(self, json, word):
if not os.path.exists("./" + word):
os.mkdir("./" + word)
# 判断名字是否重复,获取图片长度
self.__counter = len(os.listdir('./' + word)) + 1
for info in json['imgs']:
try:
if self.__downloadImage(info, word) == False:
self.__counter -= 1
except urllib.error.HTTPError as urllib_err:
print(urllib_err)
pass
except Exception as err:
time.sleep(1)
print(err);
print("产生未知错误,放弃保存")
continue
finally:
print("小黄图+1,已有" + str(self.__counter) + "张小黄图")
self.__counter += 1
return
# 下载图片
def __downloadImage(self, info, word):
time.sleep(self.time_sleep)
fix = self.__getFix(info['objURL'])
urllib.request.urlretrieve(info['objURL'], './' + word + '/' + str(self.__counter) + str(fix))
# 获取后缀名
def __getFix(self, name):
m = re.search(r'\.[^\.]*$', name)
if m.group(0) and len(m.group(0)) <= 5:
return m.group(0)
else:
return '.jpeg'
# 获取前缀
def __getPrefix(self, name):
return name[:name.find('.')]
# page_number 需要抓取数据页数 总抓取图片数量为 页数x60
# start_page 起始页数
def start(self, word, spider_page_num=1, start_page=1):
self.__start_amount = (start_page - 1) * 60
self.__amount = spider_page_num * 60 + self.__start_amount
self.__getImages(word)
crawler = Crawler(0.05)
# crawler.start('美女', 1, 2)
crawler.start('二次元 性感', 3, 3)
# crawler.start('帅哥', 5)

Опубликовать ( 0 )

Вы можете оставить комментарий после Вход в систему

1
https://api.gitlife.ru/oschina-mirror/JIANGWL-BaiduImageSpider.git
git@api.gitlife.ru:oschina-mirror/JIANGWL-BaiduImageSpider.git
oschina-mirror
JIANGWL-BaiduImageSpider
JIANGWL-BaiduImageSpider
master