码迷,mamicode.com
首页 > 编程语言 > 详细

百度图片爬虫-python版-如何爬取百度图片?

时间:2016-05-10 11:10:14      阅读:369      评论:0      收藏:0      [点我收藏+]

标签:python   百度图片爬虫   如何爬取百度图片   

上一篇我写了如何爬取百度网盘的爬虫,在这里还是重温一下,把链接附上:

http://5912119.blog.51cto.com/5902119/1771391

这一篇我想写写如何爬取百度图片的爬虫,这个爬虫也是:搜搜gif在线制作功能点我) 的爬虫代码,其实爬虫整体框架还是差不多的,但就是会涉及到图片的的一些处理,还是花费了我不少时间的,所以我请阅读的本爬虫的孩子还是认真一些,毕竟程序猿都不容易啊。好的,我也不想多说,爬虫的代码我会分享到去转盘网,想下载本爬虫代码的孩子请点我下载,如果没有下载到,请点击这个链接

附代码:

PS:不会python的孩子赶快去补补吧,先把基础搞清楚再说

#coding:utf-8

"""

Created on 2015-9-17


@author: huangxie

"""

import time,math,os,re,urllib,urllib2,cookielib 

from bs4 import BeautifulSoup

import time  

import re

import uuid

import json

from threading import Thread

from Queue import Queue 

import MySQLdb as mdb

import sys

import threading

import utils

import imitate_browser

from MySQLdb.constants.REFRESH import STATUS

reload(sys)

sys.setdefaultencoding(‘utf-8‘)


DB_HOST = ‘127.0.0.1‘

DB_USER = ‘root‘

DB_PASS = ‘root‘

proxy = {u‘http‘:u‘222.39.64.13:8118‘}

TOP_URL="http://image.baidu.com/i?tn=resultjsonavatarnew&ie=utf-8&word={word}&pn={pn}&rn={rn}"

KEYWORD_URL="https://www.baidu.com/s?ie=utf-8&f=8&tn=baidu&wd={wd}"


"""

i_headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11‘,

              ‘Accept‘:‘json;q=0.9,*/*;q=0.8‘,

              ‘Accept-Charset‘:‘utf-8;q=0.7,*;q=0.3‘,

              ‘Accept-Encoding‘:‘gzip‘,

              ‘Connection‘:‘close‘,

              ‘Referer‘:None #注意如果依然不能抓取的话,这里可以设置抓取网站的host

            }

"""

i_headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.48‘}


def GetDateString():

    x = time.localtime(time.time())

    foldername = str(x.__getattribute__("tm_year"))+"-"+str(x.__getattribute__("tm_mon"))+"-"+str(x.__getattribute__("tm_mday"))

    return foldername 


class BaiduImage(threading.Thread):     


    def __init__(self):

        Thread.__init__(self)

        self.browser=imitate_browser.BrowserBase()

        self.chance=0

        self.chance1=0

        self.request_queue=Queue()

        self.wait_ana_queue=Queue()

        #self.key_word_queue.put((("动态图", 0, 24)))

        self.count=0

        self.mutex = threading.RLock() #可重入锁,使单线程可以再次获得已经获得的锁

        self.commit_count=0

        self.ID=500

        self.next_proxy_set = set()

        self.dbconn = mdb.connect(DB_HOST, DB_USER, DB_PASS, ‘sosogif‘, charset=‘utf8‘)

        self.dbconn.autocommit(False)

        self.dbcurr = self.dbconn.cursor()

        self.dbcurr.execute(‘SET NAMES utf8‘)

        

    """

    def run(self):

        while True:

            self.get_pic()

    """

    

    def work(self,item):

        print "start thread",item

        while True: #MAX_REQUEST条以上则等待

            self.get_pic()

            self.prepare_request()

    

    def format_keyword_url(self,keyword):

  

        return KEYWORD_URL.format(wd=keyword).encode(‘utf-8‘) 

           

    def generateSeed(self,url):

        

        html = self.browser.openurl(url).read()

        if html:

            try:

                soup = BeautifulSoup(html)

                trs = soup.find(‘div‘, id=‘rs‘).find(‘table‘).find_all(‘tr‘) #获得所有行

                for tr in trs:

                    ths=tr.find_all(‘th‘)

                    for th in ths:

                        a=th.find_all(‘a‘)[0]

                        keyword=a.text.strip()

                        if "动态图" in keyword or "gif" in keyword:

                            print "keyword",keyword

                            self.dbcurr.execute(‘select id from info where word=%s‘,(keyword))

                            y = self.dbcurr.fetchone()

                            if not y:

                                self.dbcurr.execute(‘INSERT INTO info(word,status,page_num,left_num,how_many) VALUES(%s,0,0,0,0)‘,(keyword))

                    self.dbconn.commit()

            except:

                pass

                

               

    def prepare_request(self):

        self.lock()

        self.dbcurr.execute(‘select * from info where status=0‘)

        result = self.dbcurr.fetchone()

        if result:

            id,word,status,page_num,left_num,how_many=result

            self.request_queue.put((id,word,page_num)) 

            if page_num==0 and left_num==0 and how_many==0:

                url=self.format_keyword_url(word)

                self.generateSeed(url)

                html=""

                try:

                    url=self.format_top_url(word, page_num, 24)

                    html = self.browser.openurl(url).read()

                except Exception as err:

                    print "err",err

                    #pass

                if html!="":

                    how_many=self.how_many(html)

                    print "how_many",how_many

                    if how_many==None:

                        how_many=0

                    t=math.ceil(how_many/24*100) #只要前1/100即可

                    num = int(t)

                    for i  in xrange(0,num-1):

                        self.dbcurr.execute(‘INSERT INTO info(word,status,page_num,left_num,how_many) VALUES(%s,%s,%s,%s,%s)‘,(word,0,i*24,num-i,how_many))

                    self.dbcurr.execute(‘update info SET status=1 WHERE id=%s‘,(id)) #置为已经访问

                    self.dbconn.commit()

        self.unlock()

                

            

    def start_work(self,req_max):

        for item in xrange(req_max):

            t = threading.Thread(target=self.work, args=(item,))

            t.setDaemon(True)

            t.start()

            

    def lock(self): #加锁

        self.mutex.acquire()


    def unlock(self): #解锁

        self.mutex.release()


    def get_para(self,url,key):

        values = url.split(‘?‘)[-1]

        for key_value in values.split(‘&‘):

            value=key_value.split(‘=‘)

            if value[0]==key:

                return value[1]

        return None  

    

    def makeDateFolder( self,par,child):

        #self.lock()

        if os.path.isdir( par ):

            path=par + ‘//‘ + GetDateString()

            newFolderName = path+‘//‘+child

            if not os.path.isdir(path):

                os.mkdir(path)

            if not os.path.isdir( newFolderName ):

                os.mkdir( newFolderName )

            return newFolderName

        else:

            return par 

        #self.unlock()

        

    def parse_json(self,data):

        

        ipdata = json.loads(data)

        try:

            if ipdata[‘imgs‘]:  

                for n in ipdata[‘imgs‘]: #data子项 

                    if n[‘objURL‘]:  

                        try:

                            proxy_support = urllib2.ProxyHandler(proxy)

                            opener = urllib2.build_opener(proxy_support)

                            urllib2.install_opener(opener)

                            #print "proxy",proxy

                            self.lock()

                            self.dbcurr.execute(‘select ID from pic_info where objURL=%s‘, (n[‘objURL‘]))

                            y = self.dbcurr.fetchone()

                            #print "y=",y

                            if y:

                                print "database exist"

                                self.unlock() #continue 前解锁

                                continue

                            else:

                                real_extension=utils.get_extension(n[‘objURL‘])

                                req = urllib2.Request(n[‘objURL‘],headers=i_headers)

                                resp = urllib2.urlopen(req,None,5)

                                dataimg=resp.read()

                                name=str(uuid.uuid1())

                                filename=""

                                if len(real_extension)>4:

                                    real_extension=".gif"

                                real_extension=real_extension.lower()

                                if real_extension==".gif":

                                    filename  =self.makeDateFolder("E://sosogif", "d"+str(self.count % 60))+"//"+name+"-www.sosogif.com-搜搜gif贡献"+real_extension

                                    self.count+=1

                                else:

                                    filename  =self.makeDateFolder("E://sosogif", "o"+str(self.count % 20))+"//"+name+"-www.sosogif.com-搜搜gif贡献"+real_extension

                                    self.count+=1

                                """

                                name=str(uuid.uuid1())

                                filename=""

                                if len(real_extension)>4:

                                    real_extension=".gif"

                                filename  =self.makeDateFolder("E://sosogif", "d"+str(self.count % 60))+"//"+name+"-www.sosogif.com-搜搜gif贡献"+real_extension

                                self.count+=1 

                                """

                                try: 

                                    if not os.path.exists(filename): 

                                        file_object = open(filename,‘w+b‘)  

                                        file_object.write(dataimg)  

                                        file_object.close()

                                        self.anaylis_info(n,filename,real_extension) #入库操作

                                    else:

                                        print "file exist" 

                                except IOError,e1:  

                                    print "e1=",e1

                                    pass

                            self.unlock()

                        except IOError,e2:  

                            #print "e2=",e2 

                            pass  

                            self.chance1+=1

        except Exception as parse_error:

            print "parse_error",parse_error

            pass

    

    def title_dealwith(self,title):

        

        #print "title",title

        a=title.find("<strong>")

        temp1=title[0:a]

        b=title.find("</strong>")

        temp2=title[a+8:b]

        temp3=title[b+9:len(title)]

        return (temp1+temp2+temp3).strip()

        

    def anaylis_info(self,n,filename,real_extension):

        print "success."

        

        #if self.wait_ana_queue.qsize()!=0:

            #n,filename,real_extension=self.wait.ana_queue.get()

        #self.lock()

        objURL=n[‘objURL‘] #图片地址

        fromURLHost=n[‘fromURLHost‘] #来源网站

        width=n[‘width‘]  #宽度

        height=n[‘height‘] #高度

        di=n[‘di‘] #用来唯一标识

        type=n[‘type‘] #格式

        fromPageTitle=n[‘fromPageTitle‘] #来自网站

        keyword=self.title_dealwith(fromPageTitle)

        cs=n[‘cs‘] #未知

        os=n[‘os‘] #未知

        temp = time.time()

        x = time.localtime(float(temp))

        acTime = time.strftime("%Y-%m-%d %H:%M:%S",x) #爬取时间

        self.dbcurr.execute(‘select ID from pic_info where cs=%s‘, (cs))

        y = self.dbcurr.fetchone()

        if not y:

            print ‘add pic‘,filename

            self.commit_count+=1

            self.dbcurr.execute(‘INSERT INTO pic_info(objURL,fromURLHost,width,height,di,type,keyword,cs,os,acTime,filename,real_extension) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)‘,(objURL,fromURLHost,width,height,di,type,keyword,cs,os,acTime,filename,real_extension))

            if self.commit_count==10:

                self.dbconn.commit()

                self.commit_count=0

        #self.unlock()

           


    def format_top_url(self,word,pn,rn):


        url = TOP_URL.format(word=word, pn=pn,rn=rn).encode(‘utf-8‘) 

        return url


    def how_many(self,data):

        try:

            ipdata = json.loads(data)

            if ipdata[‘displayNum‘]>0:

                how_many=ipdata[‘displayNum‘]

                return int(how_many)

            else:

                return 0

        except Exception as e:

            pass

        

    def get_pic(self):

        """

        word="gif"

        pn=0

        rn=24

        if self.key_word_queue.qsize()!=0:

            word,pn,rn=self.key_word_queue.get()

        url=self.format_top_url(word,pn,rn)

        global proxy

        if url:

            try:

                html=""

                try:

                    req = urllib2.Request(url,headers=i_headers)

                    response = urllib2.urlopen(req, None,5)

                    #print "url",url

                    html = self.browser.openurl(url).read()

                except Exception as err:

                    print "err",err

                    #pass

                if html:

                    how_many=self.how_many(html)

                    #how_many=10000

                    print "how_many",how_many

                    word=self.get_para(url,"word")

                    rn=int(self.get_para(url,"rn"))

                    t=math.ceil(how_many/rn)

                    num = int(t)

                    for item  in xrange(0,num-1):

        """

        try:

            global proxy

            print "size of queue",self.request_queue.qsize()

            if self.request_queue.qsize()!=0:

                id,word,page_num = self.request_queue.get()            

                u=self.format_top_url(word,page_num,24)

                self.lock()

                self.dbcurr.execute(‘update info SET status=1 WHERE id=%s‘,(id))

                self.dbconn.commit()

                if self.chance >0 or self.chance1>1: #任何一个出问题都给换代理

                    if self.ID % 100==0:

                        self.dbcurr.execute("select count(*) from proxy")

                        for r in self.dbcurr:

                            count=r[0]

                        if self.ID>count:

                            self.ID=50

                    self.dbcurr.execute("select * from proxy where ID=%s",(self.ID))

                    results = self.dbcurr.fetchall()

                    for r in results:

                        protocol=r[1]

                        ip=r[2]

                        port=r[3]

                        pro=(protocol,ip+":"+port)

                        if pro not in self.next_proxy_set:

                            self.next_proxy_set.add(pro)

                    self.chance=0

                    self.chance1=0

                    self.ID+=1

                self.unlock() 

                proxy_support = urllib2.ProxyHandler(proxy)

                opener = urllib2.build_opener(proxy_support)

                urllib2.install_opener(opener)

                html=""

                try:

                    req = urllib2.Request(u,headers=i_headers)

                    #print "u=",u

                    response = urllib2.urlopen(req, None,5)

                    html = response.read()

                    if html:

                        #print "html",type(html)

                        self.parse_json(html)

                except Exception as ex1:

                    #print "error=",ex1

                    pass

                    self.chance+=1

                    if self.chance>0 or self.chance1>1:

                        if len(self.next_proxy_set)>0:

                            protocol,socket=self.next_proxy_set.pop()

                            proxy= {protocol:socket}

                            print "change proxy finished<<",proxy,self.ID

        except Exception as e:

            print "error1",e

            pass

            

if __name__ == ‘__main__‘:


    app = BaiduImage() 

    app.start_work(80)

    #app.generateSeed()

    while 1:

        pass


百度图片爬虫-python版-如何爬取百度图片?

标签:python   百度图片爬虫   如何爬取百度图片   

原文地址:http://5912119.blog.51cto.com/5902119/1771675

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!