写文没高质量配图？教你python爬虫绕过限制一键搜索下载图虫创意图片！

bigsai

发布于 2019-09-24 14:08:45

1.1K0

发布于 2019-09-24 14:08:45

文章被收录于专栏：bigsai bigsaibigsai

在我们写文章(博客、公众号、自媒体)的时候，常常觉得自己的文章有些老土，这很大程度是因为配图没有选好。本文将和大家分享一个实用爬虫案例！

笔者也是遇到相同的情况，顺便解决其中一个案例，给大家一些技术上的参考和借鉴！

并且，我们搜图片如果去百度，会遇到两种情况：非高清或者带水印。这都是我们所忌讳的东西。笔者此次通过图虫创意抓起高清小图，虽然不是大图，但是在火热的移动端阅读上是足够的！

分析

废话说完了，我们开始分析怎么样才能获取这样的图片呢。

理想状态

我们的理想状态就是一个网页，我们的目标网页，把图片<img src="xxxxxx">直接放到html中。我们的爬虫可以直接解析。这种情况，就像你写的博客，个人网站的图片一样，简单嵌入。

或者就是通过后台ajax传输图片地址引用。我们不清楚是否这样！

实际分析

但事实这种肯定会被理想破灭，因为不可能！他以图片为核心业务，要你注册，购买等等，怎么可能就这么容易的嵌入进入被你找到。

那它到底如何实现呢？我们分析一下！

首先打开网页，检查图片，发现它的网页图片来源不唯一。有两个主要域名ice和wel，并且后面的编号还不唯一，但是可以尝试发现相同域名不同后缀的图片地址结果相同！（例如icweiliimg9和icweiliimg/效果相同）。

我们发现原来这个搜索url会变化，但是这个查看网页源代码发现并没有我们想要的图片地址。那么我们肯定知道它要么从ajax渲染，或者就藏在js中进行混淆或者加密。我们发现这个xhr中并没有想要的数据，并且他其实藏在js中。其实这个可以猜想到的，因为它的url既然跟着变化那么返回的数据肯定是有区别的。

那么分析就到这里，剩下就是python爬虫的模拟和解析了。

爬虫实现

前面说到已经知道它的数据源，我们用python编写爬虫需要进行模拟。经过测试发现它需要进行一些验证，其中包过cookie的wluuid字段（只验证存在，不验证正确性）。

那么我们编写一段代码就能拿到网页html。但是问题来了。数据藏在js里面啊！！！

我们只能用正则进行套了！对于这个js，我们通过js=soup.select('script') js=js[4]即可获取。

对于有用数据，只能正则截取。

 pattern = re.compile(r'window.hits = (\[)(.*)(\])')
 va = pattern.search(str(js)).group(2)#解析js内容

但是这个类似json的串用,拼接我们无法直接使用spilt分组分开，但是我们可以从}全部替换成},,那么就三个,,,我们就可以分割而不影响其他json串内,；split之后每组都满足json串格式，直接转成json取值即可！

那么剩下拿到url直接构造url然后下载图片即可！

其他注意

图片下载：

下载图片有很多图片无名称或者名字相同，避免这个不下载要进行编号
两个url域名需要尝试下载其中一个成功即完成下载！

爬虫方面

全程不需要登录，下载为高清小图。后续可以考虑研究登录后的大图分享给大家！

其他

創建图片路径要考虑路径是否存在！

代码与总结

通过上述分析：编写爬虫：

import  requests
from  urllib import  parse
from bs4 import BeautifulSoup
import re
import json
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',
    'Cookie': 'wluuid=66;  ',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
    'Accept-encoding': 'gzip, deflate, br',
    'Accept-language': 'zh-CN,zh;q=0.9',
    'Cache-Control': 'max-age=0',
    'connection': 'keep-alive'
    , 'Host': 'stock.tuchong.com',
    'Upgrade-Insecure-Requests': '1'
    }
def mkdir(path):
    import os# 引入模块
    path = path.strip()# 去除首位空格
    path = path.rstrip("\\") # 去除尾部 \ 符号
    isExists = os.path.exists(path)  # 判断路径是否存在  # 存在     True # 不存在   False
    if not isExists:  # 判断结果
        os.makedirs(path)# 如果不存在则创建目录 # 创建目录操作函数
        return True#print (path + ' 创建成功')
    else:
        # 如果目录存在则不创建，并提示目录已存在
        #print(path + ' 目录已存在')
         return False
def downloadimage(imageid,imgname):
    url = 'https://weiliicimg9.pstatp.com/weili/ms/'+str(imageid)+'.webp'
    url2 = 'https://icweiliimg9.pstatp.com/weili/ms/'+str(imageid)+'.webp'
    b=False
    r = requests.get(url)
    print(r.status_code)
    if(r.status_code!=200):
        r=requests.get(url2)
    with open(imgname+'.jpg', 'wb') as f:
        f.write(r.content)
        print(imgname+" 下载成功")
def getText(text):
    texturl = parse.quote(text)
    url="https://stock.tuchong.com/search?term="+texturl+"&use=0"
    req=requests.get(url,headers=header)
    soup=BeautifulSoup(req.text,'lxml')
    js=soup.select('script')
    js=js[4]
    print(js)
    pattern = re.compile(r'window.hits = (\[)(.*)(\])')
    va = pattern.search(str(js)).group(2)#解析js内容
    print(va)
    va = va.replace('{', '{').replace('}', '},,')
    print(va)
    va = va.split(',,,')
    print(va)
    index = 1
    for data in va:
        try:
             dict = json.loads(data)
             print(dict)
             imgname='img/'+text+'/'+dict['title']+str(index)
             index+=1
             mkdir('img/'+text)
             imgid=dict['imageId']
             downloadimage(imgid,imgname)
        except Exception as e:
            print(e)
if __name__ == '__main__':
    getText(text=input('输入关键词:'))

测试结果：