本文纯技术角度出发，教你如何用Python爬虫获取百度美女图片——技术无罪。
目标站点
百度图片使用关键字搜索 小姐姐私房照
https://image.baidu.com/
开发环境
- 系统：Windows10 64位
- Python版本：Python3.6.5(Python3以上版本即可)
- IDE：Pycharm（非必须，其实你完全可以记事本写代码）
- 第三方库：requests、jsonpath
效果预览
代码爬取效果
正式教程
一、第三方库安装
在确保你正确安装了Python解释器之后，我们还需要安装几个第三方库，命令如下**[在终端中安装即可]**：
HTTP请求库：
pip3 install requests
JSON数据解析库：
pip3 install jsonpath
二、爬虫的基本套路
-
不管是爬取哪类网站，在爬虫中基本都遵循以下的基本套路：
请求数据 → 获取响应内容 → 解析内容 → 保存数据
-
当然，以上步骤是代码的编写思路，实际操作中应该还要添加一个前置步骤，所以完整流程如下：
分析目标站点 → 请求网站获取数据 → 解析内容 → 保存数据
-
分析目标站点
快速的分析目标站点就很容易发现百度图库的图片资源是通过AJAX加载的，所以我们要请求的链接并非浏览器地址栏链接，而是ajax加载的数据包的资源路径，如图：
那么问题来了，如何获取到这些数据包的地址？其实很简单，如图所示：
-
请求网站获取数据
编写代码请求资源，这里有一点需要注意：请求头必须携带，否则有可能请求失败导致报错。
import requests # 导包# 构建请求头，把爬虫程序伪装成正常的浏览器用户 headers = {'sec-fetch-dest': 'image','Host': 'image.baidu.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36 Edg/89.0.774.50', } # 资源包的url链接 url = 'https://image.baidu.com/search/acjson?tn=resultjson_com&logid=10913526997707526921&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E5%B0%8F%E5%A7%90%E5%A7%90%E7%A7%81%E6%88%BF%E7%85%A7&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=&hd=&latest=©right=&word=%E5%B0%8F%E5%A7%90%E5%A7%90%E7%A7%81%E6%88%BF%E7%85%A7&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn=210&rn=30&gsm=d2&1616553658252='# 构建请求 response = requests.get(url,headers=headers) # 查看状态码 print(response.status_code) # 获取原始数据 response.json() -
解析数据
上述代码最终获取到的数据是json数据，也就是我们Python中常说的字典，它长这样：
{"queryEnc":"%D0%A1%BD%E3%BD%E3%CB%BD%B7%BF%D5%D5","queryExt":"小姐姐私房照","listNum":758,"displayNum":8392,"gsm":"f0","bdFmtDispNum":"约8,390","bdSearchTime":"","isNeedAsyncRequest":0,"bdIsClustered":"1","data":[Object{...}, # 没张私房照对应的详细信息，其中就有图片的URL Object{...},··· }既然它是一个字典，我们当然是可以使用Python中的键值索引方式获取到想要的数据，但是此方法太笨，这里介绍一种更加高明的方式，使用jsonpath解析数据
# 这一行代码便可以获取到所有图片的URL，返回的是一个列表，遍历即可拿到每一个URL imgs = jsonpath.jsonpath(json_data, '$..middleURL')使用requests请求图片URL，获取图片数据
image_data = requests.get(page_url).content -
保存数据
使用Python中的文件对象，保存图片，图片名字使用时间戳命名，避免图片重名
with open('imgs/' + datetime.now().strftime("%Y%m%d%H%M%S%f") + '.jpg', 'wb') as f:f.write(image_data)
写在最后
到这整个儿爬虫程序就写完了。
当然，当前的这个只能爬取一个资源包中的数据，要爬取多个资源包或者说全部资源包的数据也是很简单的，只需要分析分析资源包的URL变化规律就不难发现其中的某个关键字变化，灵活改变该关键字就可以不断爬取。
粉丝专属福利
