当前位置:   article > 正文

python爬取的图片无法显示的问题_采集图片无效不显示怎么回事

采集图片无效不显示怎么回事

一开始把图片爬下来的时候完全都不能看,查了很多也没清楚原因,暑假那会貌似看到了这篇博客,没有在意。现在补上,补上,补上。膜拜大神呀。


原博客地址:http://www.cnblogs.com/eastmount/p/5055908.html


一. 简单分析原因及知识巩固

       1.urllib.urlretrieve()
       通过urlretrieve()函数可设置下载进度发现图片是一下子就加载的。这里给大家巩固这个urlretrieve函数的方法和Python时间命名方式,代码如下:

 

复制代码
 1 # -*- coding: utf-8 -*-
 2 import urllib
 3 import time
 4 import os
 5 
 6 #显示下载进度
 7 def schedule(a,b,c):
 8     #a:已下载的数据块 b:数据块的大小 c:远程文件的大小
 9     per = 100.0 * a * b / c
10     if per > 100 :
11         per = 100
12     print '%.2f%%' % per
13 
14 if __name__ == '__main__':
15     url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"
16     #定义文件名 时间命名
17     t = time.localtime(time.time())
18     #反斜杠连接多行
19     filename = str(t.__getattribute__("tm_year")) + "_" + \
20                str(t.__getattribute__("tm_mon")) + "_" + \
21                str(t.__getattribute__("tm_mday"))
22     target = "%s.jpg" % filename
23     print target
24     urllib.urlretrieve(url,target,schedule)
25     print "Download Picture!!!"
复制代码

        发现该图片的大小仅为168字节,其中输出结果如下图,获取的URL地址如下:
         http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg 
         而换张图片是能显示下载进度的,如我的头像。显然我想让程序加个进度就能爬取图片的想法失败。

         头像地址: http://avatar.csdn.net/F/8/5/1_eastmount.jpg

             

 猜测可能获取的百度URL不是原图地址,或者是个服务器设置了相应的拦截或加密。参考"Python爬虫抓取网页图片",函数相关介绍如下:

复制代码
>>> help(urllib.urlretrieve)
Help on function urlretrieve in module urllib:
urlretrieve(url, filename=None, reporthook=None, data=None)

参数url:
    指定的下载路径
参数 finename:
    指定了保存本地路径(如果参数未指定,urllib会生成一个临时文件保存数据。)
参数 reporthook:
    是一个回调函数,当连接上服务器、以及相应的数据块传输完毕时会触发该回调,
    我们可以利用这个回调函数来显示当前的下载进度。
参数 data:
    指 post 到服务器的数据,该方法返回一个包含两个元素的(filename, headers)元组,
    filename 表示保存到本地的路径,header 表示服务器的响应头。
复制代码

 

       2.urllib2.urlopen()
       换个方法urlopen()实现,同时设置消息头试试,并输出信息和图片大小。

复制代码
 1 # -*- coding: utf-8 -*-
 2 import os      
 3 import sys    
 4 import urllib
 5 import urllib2
 6 
 7 #设置消息头
 8 url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"
 9 header = {
10     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \
11         AppleWebKit/537.36 (KHTML, like Gecko) \
12         Chrome/35.0.1916.114 Safari/537.36',
13     'Cookie': 'AspxAutoDetectCookieSupport=1'
14 }
15 request = urllib2.Request(url, None, header)
16 response = urllib2.urlopen(request)
17 print response.headers['Content-Length']
18 
19 with open("picture.jpg","wb") as f:
20     f.write(response.read())
21 print response.geturl()
22 print response.info()    #返回报文头信息
23 print urllib2.urlopen(url).read()
复制代码

        返回内容是”HTTPError: HTTP Error 403: Forbidden“,Selenium打开如下:

                              

          其中403错误介绍如下,服务器拒绝服务:

                          

推荐一篇文章:[Python]网络爬虫(五):urllib2的使用细节与抓站技巧

二. 解决方法

        主要参考三篇文章和自己的一些想法:
        selenium+python 爬取网络图片(2) -- 百度
        Python 3 多线程下载百度图片搜索结果
        CSDN博客搬家到WordPress  - curl设置headers爬取


        第一个方法 F12审查元素和SRC的骗局
        这是感谢"露为霜"同学提供的方法,如果你通过浏览器点开百度搜索"邓肯"的第一张图片,复制网址后,会发现图片真实的地址为:
        http://gb.cri.cn/mmsource/images/2015/11/22/sb2015112200073.jpg
        此时你再分析百度搜索页面,你会发现"F12审查元素和获取src元素的行为欺骗了你",正是因为它俩定位到了错误的图片链接。而真实的URL是在"ul/li/"中的"data-objurl"属性中。


 代码如下:

复制代码
 1 # -*- coding: utf-8 -*-
 2 import urllib
 3 import re
 4 import time
 5 import os
 6 from selenium import webdriver          
 7 from selenium.webdriver.common.keys import Keys
 8 import selenium.webdriver.support.ui as ui        
 9 from selenium.webdriver.common.action_chains import ActionChains
10 
11 #Open PhantomJS
12 #driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")  
13 driver = webdriver.Firefox() 
14 wait = ui.WebDriverWait(driver,10)
15 
16 #Search Picture By Baidu
17 url = "http://image.baidu.com/"
18 name = u"邓肯"
19 driver.get(url)
20 elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")  
21 elem_inp.send_keys(name)  
22 elem_inp.send_keys(Keys.RETURN)
23 time.sleep(5)
24 
25 #Get the URL of Pictures
26 num = 1
27 elem_pic = driver.find_elements_by_xpath("//div[@class='imgpage']/ul/li")
28 for elem in elem_pic:
29     elem_url = elem.get_attribute("data-objurl")
30     print elem_url
31     #Download Pictures
32     name = "%03d" % num
33     urllib.urlretrieve(elem_url, str(name) + ".jpg")
34     num = num + 1
35 else:
36     print "Download Pictures!!!"
复制代码

        运行代码成功爬取了9张图片,显然成功了!虽然最后报错:IOError: [Errno socket error] [Errno 10060] ,只爬取了9张图片,但是至少可以正确解决了该问题。

          同样的道理,googto的elem.get_attribute("src")改成elem.get_attribute("data-imgurl")即可获取正确的图片地址并正确下载。
        PS:百度图片动态加载的功能是非常强大的,当你的鼠标拖动时,它会自动增加新的页面,在<ul>中包括新的一批<li>张图片,这也是不同于其它网页在右下角点击"1、2、3..."翻页的,可能也会成为海量图片爬取的又一难点。

        第二个方法 Selenium使用右键另存为
        还是使用老的链接,虽然读取是无法显示的,但尝试通过Selenium的鼠标右键另存为功能,看能不能爬取成功。

复制代码
 1 # -*- coding: utf-8 -*-
 2 import urllib
 3 import re
 4 import time
 5 import os
 6 from selenium import webdriver          
 7 from selenium.webdriver.common.keys import Keys
 8 import selenium.webdriver.support.ui as ui        
 9 from selenium.webdriver.common.action_chains import ActionChains
10 
11 #Open PhantomJS 
12 driver = webdriver.Firefox()
13 wait = ui.WebDriverWait(driver,10)
14 
15 #Search Picture By Baidu
16 url = "http://image.baidu.com/"
17 name = u"邓肯"
18 driver.get(url)
19 elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")  
20 elem_inp.send_keys(name)  
21 elem_inp.send_keys(Keys.RETURN)
22 time.sleep(5)
23 
24 #Get the URL of Pictures
25 elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a/img")
26 elem_url = elem_pic.get_attribute("src")
27 print elem_url
28 
29 #鼠标移动至图片上 右键保存图片
30 driver.get(elem_url)
31 print driver.page_source
32 elem = driver.find_element_by_xpath("//img")
33 action = ActionChains(driver).move_to_element(elem)
34 action.context_click(elem) #右键  
35 
36 #当右键鼠标点击键盘光标向下则移动至右键菜单第一个选项
37 action.send_keys(Keys.ARROW_DOWN)
38 action.send_keys('v') #另存为
39 action.perform()
40 print "Download Pictures!!!"
复制代码

        虽然它能实现右键另存为,但是需要手动点击保存,其原因是selenium无法操作操作系统级的对话框,又说"set profile"代码段的设置能解决问题的并不靠谱。通过钩子Hook函数可以实现,以前做过C#的钩子自动点击功能,但是想到下载图片需要弹出并点击无数次对话框就很蛋疼,所以该方法并不好!
        钩子函数java版本结合robot可以阅读下面这篇文章:
        selenium webdriver 右键另存为下载文件(结合robot and autoIt)

 第三个方法 通过Selenium自动点击百度的下载按钮
        其实现过程就是通过Selenium找到"下载"按钮,再点击或获取链接即可。
        该方法参考文章:selenium+python 爬取网络图片(2) -- 百度
        同时,这里需要强调百度动态加载,可以通过Selenium模拟滚动窗口实现,也参考上面文章。其中核心代码为:
        driver.maximize_window()
        pos += i*500   # 每次下滚500
        js = "document.documentElement.scrollTop=%d" % pos
        driver.execute_script(js)

       第四个方法 百度图片解码下载及线程实现
       参考文章:Python 3 多线程下载百度图片搜索结果




声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/在线问答5/article/detail/912926
推荐阅读
相关标签
  

闽ICP备14008679号