手把手带你用python爬取小姐姐私房照

如何用Python搞到小姐姐私房照

本文纯技术角度出发，教你如何用Python爬虫获取百度图库海量照片——技术无罪。

学会获取小姐姐私房照同理可得也能获取其他的照片，技术原理是一致的。

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

网页私房照

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=&copyright=&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。

文章正文到这里已经结束了，只是想感谢一些阅读我文章的人。

我退休后一直在学习如何写文章，说实在的，每次我在后台看到一些读者的回应就会觉得很欣慰，于是我想把我收藏的一些编程干货贡献给大家，回馈每一个读者，希望能帮到你们。

来源：https://blog.csdn.net/zhiguigu/article/details/115917010