「微硬核」下图下到手抽筋?手把手教你用脚本解救你的手

我们时常会在网上浏览网页的时候,看到很多美美的图片。有些时候因为喜欢想保存下来,有些时候因为网页浏览太慢,就想把图片下载到电脑上方便查看。但是,下载图片除非是网站提供了打包下载的功能。否则都是一张张点右键另存为,然后选择保存路径,才能下载下来。

好一点的情况是,一套图片几十张都在一个页面,虽然操作到手抽筋,但好歹一个页面搞定。但,有些每页一个的,就需要打开几十个页面再一个个保存。更何况,面对美美的图片,我们想的是,我!全!要!忙到手抽筋也没法把一个网站的图片全部保存下来啊。

这些图片,我!全!要!

好的,你需要的是一个自动下载图片的工具。网上其实有一些类似工具,但是其实自己写也是非常容易的。本文就是手把手教你写一个下载工具,自由下载,解放双手。

写工具用啥语言?“人生苦短,我用python”,所以当然是python了。

需要预先准备的:

https://www.python.org/downloads/release/python-375/ 下载python,一般都是windows版本的,现在基本都64位的,所以选择Windows x86-64 executable installer。安装的时候记得选择“add to path”的选项。安装完python,咱们还得装几个方便使用的库,bs4和requests。bs4就是beautifulsoup,解析html的,requests就是方便http请求的。打开powershell,执行下面的命令

pip install bs4 -i https://mirrors.aliyun.com/pypi/simple/ pip install requests -i https://mirrors.aliyun.com/pypi/simple/

为加快安装速度,咱们选用的是pip的国内镜像。 -i https://mirrors.aliyun.com/pypi/simple/就是指定阿里云的pip镜像。

接下来选择一个下载图片的网站,为避免广告导流嫌疑(虽然没啥量),我百度上随便搜了一个,中关村的图片精选页面 http://bbs.zol.com.cn/dcbbs/topic。当然实际大家自己用的肯定是自己要下载图片的页面地址。

好的,下面要开始码了,码之前我们先说说思路。总的来说,就是抓取站点页面,然后把页面html解析之后获取图片地址,再下载图片,保存到本地。难点就是,为了抓取全部页面,我们要解析html的时候,获取当前页面所有的本站地址,依次去请求处理,还得注意排除已经请求过的。

coding begin...

咱们打开自带的edle编辑器,File->New File创建一个新文件,保存为downloader.py。

先加载库

import bs4 import requests import os import logging import urllib.parse import sys

整个功能咱们划分成几个模块,功能分别如下:

请求并解析页面,获取当前页面图片地址和站内链接地址根据上一步返回的站内链接地址,判断是否重复,如果没处理过,则使用上一步的方式处理该链接请求图片地址,读取之后保存到本地

咱们要完成的第一个功能模块就是请求并解析页面的方法,因为功能简单单一,都用函数开发,不采用类。

headers = {'user-agent': 'image downloader/0.0.1'} def is_same_domain(base_url,url): base_url_parsed = urllib.parse.urlparse(base_url) url_parsed = urllib.parse.urlparse(url) return base_url_parsed.netloc == url_parsed.netloc def process_page(url): ''' 获取url下所有图片以及站内链接 ''' images = [] site_urls=[] try: page_req = requests.get(url, headers=headers) if page_req.status_code != 200: logging.error(url+' http code: '+str(page_req.status_code)) return images,site_urls page_parsed = bs4.BeautifulSoup(page_req.text, 'html.parser') images = [ img.attrs['src'] for img in page_parsed.find_all('img')] site_urls= [ a.attrs['href'] for a in page_parsed.find_all('a') if 'href' in a.attrs and is_same_domain(url,a.attrs['href'])] logging.info("processed "+url) return images,site_urls except Exception as e: logging.error(url+' '+str(e)) return images,site_urls

工具函数is_same_domain判断解析的网页地址是否和当前处理的地址是一个域名。process_page返回的是两个list,一个是当前页面所有的图片地址,第二个是当前页面所有的站内链接。图片不需要判断是否本域名,因为图片一般会用专门的服务器,或者cdn,域名不同是很正常的事情。

接下来是根据页面获取的图片地址,抓取图片保存到本地的模块。

def store_image(save_path, img_url): ''' 将地址为img_url的图片保存到save_path目录下。 ''' img_url_parsed = urllib.parse.urlparse(img_url) try: img_path = save_path+'/'+os.path.dirname(img_url_parsed.path).strip('/').replace('/','_') img_file_path = img_path + '/' + os.path.basename(img_url_parsed.path) img_req = requests.get(img_url, headers=headers) if img_req.status_code != 200: logging.error(img_url+' http code: '+str(img_req.status_code)) return False if len(img_req.content)< 100*1024: logging.warning(img_url+" too small") return True if not os.path.exists(img_path): os.makedirs(img_path) with open(img_file_path,"wb") as fp: fp.write(img_req.content) logging.info("saved "+img_url) except Exception as e: logging.error(img_url+' '+str(e))

函数store_image将图片保存到指定的路径save_path下,如果目录不存在,会自动创建,这里过滤掉了大小在100k以下的图片。这里为了简化,减少了图片的目录深度,原地址里面的路径都会转化为下划线分隔的一个目录,使得多级目录简化为一级。

再加个控制函数就大功告成了。

def site_download(url,save_path): visited_url = {} stored_img = {} to_visit = [url] while len(to_visit)>0: url = to_visit.pop() imgs,urls = process_page(url) visited_url[url]=1 for img in imgs: if img not in stored_img: stored_img[img]=1 store_image(save_path,img) for u in urls: if u not in visited_url: to_visit.append(u)

site_download接收传入的起始地址和图片保存路径,然后递归处理所有页面以及子页面,并判断是否处理过。这里简化了处理,都用map去表示是否访问过,因为一般几十万上百万的页面,应该不会占用太多内存。

加个脚本执行的入口就可以了

if __name__=="__main__": if len(sys.argv) < 3: print("usage: python downloader.py site_url img_path") sys.exit(1) site_download(sys.argv[1],sys.argv[2])

使用方法就是 python downloader.py 网站路径 图片保存路径

好的,早已按捺不住了,赶紧来跑一跑吧。

日志好多

日志好多,大部分警告和错误都是无用的日志,比如https证书有问题的,网页太久失效的,以及大部分都是图片太小的。

我执行参数里面,图片保存路径是当前目录下的images目录,打开看看。

全部到碗里来了

嗯哼,全部到碗里来了。

注意一点,这种访问方式对服务器负载比较高,有些网站会封掉高频访问的ip的,所以注意在访问时可以适量sleep降低频率。

另外脚本会遍历网站有链接的所有页面,所以比较慢,慢慢等着吧。

最后,本文给出的只是一个抓取网站内容的代码框架,能完成基本工作,但是很简单,没有处理各种可能的异常,没有细致地处理页面。有兴趣的同学可以自己根据需求增加细节完善,比如sleep降频,比如根据网页内容把同一篇文章的图片聚合,比如根据网页结构只抓取其中感兴趣的区域的图片等等。