技术标签: 爬虫 python selenium chrome 谷歌图片
#date:2020.5.25
#author:pmy
#aim:爬取google图片
本次爬取主要是为了练习selenium。
爬取的目标如下图,爬取猫猫图片
将google图片顺利爬下来。
由于google图片界面是属于那种往下划会在本页面中加载出更多信息,但未刷新的机制,但是它又并未使用ajax。
所以这里我们使用selenium。selenium是一个能够模拟浏览器的工具,如果你没有安装,请pip install 一下。
然后是下载符合你的浏览器的驱动,我这里用的是Chrome,所以下载了ChromeDriver,将其放在D:\python\Scripts(你的python安装目录)。
用这两个来模拟用户的浏览器操作。
每次往下滑动500个单位,然后将当前窗口的所有图片的url抓取出来。
这里直接用selenium将tag_name为img的抓取出来就好了。
虽然可以先返回html文档,再用beautifulsoup来处理,但是这样繁琐,没有必要。同时因为该网页结构比较清晰,基本tag_name为img的就是我们的目标。
也存在一些问题,最前面几张图会抓取不了,因为它们的url并不是图片,而是打开是下图的界面
这和下面的所有图片不一样,下面的所有图片都是打开只有图片,这最前面的几张的url也特别特别长,无法下载图片,所以计算字符串的长度将其过滤。
同时,会将google的图标也抓下来。通过分析其他正常图片的url,发现其共性是其中都有images字符串,所以通过有无这个字符串来过滤。
因为每次抓取的图片只是当前窗口上显示的图片(selenium的特点),所以我们要设置一个列表,将抓取的url放进去,每次抓取时与列表进行比对,从而避免了重复爬取,不过效率偏低,不过用python还管啥效率(代码中写了可以修改的地方,我懒得改了,生命短暂)
因为对python其实也没怎么正式学过,所以这次用了面向对象的模式来写的代码,面向对象还是依然好用,下次需要的话可以直接调这个包。
#date:2020.5.25
#author:pmy
#aim:爬取google图片
from selenium import webdriver
import time
import os
import requests
# 使用代理的方法 ,可以直接windows使用代理,不用这么麻烦
# browserOptions = webdriver.ChromeOptions()
# browserOptions.add_argument('--proxy-server=ip:port)
# browser = webdriver.Chrome(chrome_options=browserOptions)
#修改keyword便可以修改搜索关键词
keyword = 'cat'
url = 'https://www.google.com.hk/search?q='+keyword+'&tbm=isch'
class Crawler_google_images:
# 初始化
def __init__(self):
self.url = url
# 获得Chrome驱动,并访问url
def init_browser(self):
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument("--disable-infobars")
browser = webdriver.Chrome(chrome_options=chrome_options)
# 访问url
browser.get(self.url)
# 最大化窗口,之后需要爬取窗口中所见的所有图片
browser.maximize_window()
return browser
#下载图片
def download_images(self, browser,round=2):
picpath = './cat'
# 路径不存在时创建一个
if not os.path.exists(picpath): os.makedirs(picpath)
# 记录下载过的图片地址,避免重复下载
img_url_dic = []
count = 0 #图片序号
pos = 0
for i in range(round):
pos += 500
# 向下滑动
js = 'var q=document.documentElement.scrollTop=' + str(pos)
browser.execute_script(js)
time.sleep(1)
# 找到图片
# html = browser.page_source#也可以抓取当前页面的html文本,然后用beautifulsoup来抓取
#直接通过tag_name来抓取是最简单的,比较方便
img_elements = browser.find_elements_by_tag_name('img')
#遍历抓到的webElement
for img_element in img_elements:
img_url = img_element.get_attribute('src')
# 前几个图片的url太长,不是图片的url,先过滤掉,爬后面的
if isinstance(img_url, str):
if len(img_url) <= 200:
#将干扰的goole图标筛去
if 'images' in img_url:
#判断是否已经爬过,因为每次爬取当前窗口,或许会重复
#实际上这里可以修改一下,将列表只存储上一次的url,这样可以节省开销,不过我懒得写了···
if img_url not in img_url_dic:
try:
img_url_dic.append(img_url)
#下载并保存图片到当前目录下
filename = "./cat/" + str(count) + ".jpg"
r = requests.get(img_url)
with open(filename, 'wb') as f:
f.write(r.content)
f.close()
count += 1
print('this is '+str(count)+'st img')
#防止反爬机制
time.sleep(0.2)
except:
print('failure')
def run(self):
self.__init__()
browser = self.init_browser()
self.download_images(browser,10)#可以修改爬取的页面数,基本10页是100多张图片
browser.close()
print("爬取完成")
if __name__ == '__main__':
craw = Crawler_google_images()
craw.run()
只爬了十轮,122张图片,可以修改main函数中的参数,爬取更多。
也可以修改keyword,爬取你想要的爬取的图片
文章浏览阅读331次。第一部分:准备工作1 安装虚拟机2 安装centos73 安装JDK以上三步是准备工作,至此已经完成一台已安装JDK的主机第二部分:准备3台虚拟机以下所有工作最好都在root权限下操作1 克隆上面已经有一台虚拟机了,现在对master进行克隆,克隆出另外2台子机;1.1 进行克隆21.2 下一步1.3 下一步1.4 下一步1.5 根据子机需要,命名和安装路径1.6 ..._创建一个hadoop项目
文章浏览阅读1.7k次。心脏滴血漏洞HeartBleed CVE-2014-0160 是由heartbeat功能引入的,本文从深入码层面的分析该漏洞产生的原因_heartbleed代码分析
文章浏览阅读1.4k次。前言ofd是国家文档标准,其对标的文档格式是pdf。ofd文档是容器格式文件,ofd其实就是压缩包。将ofd文件后缀改为.zip,解压后可看到文件包含的内容。ofd文件分析工具下载:点我下载。ofd文件解压后,可以看到如下内容: 对于xml文件,可以用文本工具查看。但是对于印章文件(Seal.esl)、签名文件(SignedValue.dat)就无法查看其内容了。本人开发一款ofd内容查看器,..._signedvalue.dat
文章浏览阅读1.8w次,点赞29次,收藏313次。整体系统设计本设计主要是对ADC和DAC的使用,主要实现功能流程为:首先通过串口向FPGA发送控制信号,控制DAC芯片tlv5618进行DA装换,转换的数据存在ROM中,转换开始时读取ROM中数据进行读取转换。其次用按键控制adc128s052进行模数转换100次,模数转换数据存储到FIFO中,再从FIFO中读取数据通过串口输出显示在pc上。其整体系统框图如下:图1:FPGA数据采集系统框图从图中可以看出,该系统主要包括9个模块:串口接收模块、按键消抖模块、按键控制模块、ROM模块、D.._基于fpga的信息采集
文章浏览阅读2.5w次。1.背景错误信息:-- [http-nio-9904-exec-5] o.s.c.n.z.filters.post.SendErrorFilter : Error during filteringcom.netflix.zuul.exception.ZuulException: Forwarding error at org.springframework.cloud..._com.netflix.zuul.exception.zuulexception
文章浏览阅读358次。1.介绍图的相关概念 图是由顶点的有穷非空集和一个描述顶点之间关系-边(或者弧)的集合组成。通常,图中的数据元素被称为顶点,顶点间的关系用边表示,图通常用字母G表示,图的顶点通常用字母V表示,所以图可以定义为: G=(V,E)其中,V(G)是图中顶点的有穷非空集合,E(G)是V(G)中顶点的边的有穷集合1.1 无向图:图中任意两个顶点构成的边是没有方向的1.2 有向图:图中..._给定一个邻接矩阵未必能够造出一个图
文章浏览阅读321次。(十二)、WDS服务器安装通过前面的测试我们会发现,每次安装的时候需要加域光盘映像,这是一个比较麻烦的事情,试想一个上万个的公司,你天天带着一个光盘与光驱去给别人装系统,这将是一个多么痛苦的事情啊,有什么方法可以解决这个问题了?答案是肯定的,下面我们就来简单说一下。WDS服务器,它是Windows自带的一个免费的基于系统本身角色的一个功能,它主要提供一种简单、安全的通过网络快速、远程将Window..._doc server2012上通过wds+mdt无人值守部署win11系统.doc
文章浏览阅读219次。python–xlrd/xlwt/xlutilsxlrd只能读取,不能改,支持 xlsx和xls 格式xlwt只能改,不能读xlwt只能保存为.xls格式xlutils能将xlrd.Book转为xlwt.Workbook,从而得以在现有xls的基础上修改数据,并创建一个新的xls,实现修改xlrd打开文件import xlrdexcel=xlrd.open_workbook('E:/test.xlsx') 返回值为xlrd.book.Book对象,不能修改获取sheett_xlutils模块可以读xlsx吗
文章浏览阅读8.2w次,点赞267次,收藏656次。运行Selenium出现'WebDriver' object has no attribute 'find_element_by_id'或AttributeError: 'WebDriver' object has no attribute 'find_element_by_xpath'等定位元素代码错误,是因为selenium更新到了新的版本,以前的一些语法经过改动。..............._unresolved attribute reference 'find_element_by_id' for class 'webdriver
文章浏览阅读198次。一:模态窗口//父页面JSwindow.showModalDialog(ifrmehref, window, 'dialogWidth:550px;dialogHeight:150px;help:no;resizable:no;status:no');//子页面获取父页面DOM对象//window.showModalDialog的DOM对象var v=parentWin..._jquery获取父window下的dom对象
文章浏览阅读1.7w次,点赞15次,收藏129次。算法(algorithm)是解决一系列问题的清晰指令,也就是,能对一定规范的输入,在有限的时间内获得所要求的输出。 简单来说,算法就是解决一个问题的具体方法和步骤。算法是程序的灵 魂。二、算法的特征1.可行性 算法中执行的任何计算步骤都可以分解为基本可执行的操作步,即每个计算步都可以在有限时间里完成(也称之为有效性) 算法的每一步都要有确切的意义,不能有二义性。例如“增加x的值”,并没有说增加多少,计算机就无法执行明确的运算。 _算法
文章浏览阅读1.5k次,点赞18次,收藏26次。网络安全的标准和规范是网络安全领域的重要组成部分。它们为网络安全提供了技术依据,规定了网络安全的技术要求和操作方式,帮助我们构建安全的网络环境。下面,我们将详细介绍一些主要的网络安全标准和规范,以及它们在实际操作中的应用。_网络安全标准规范