Python3直接爬取图片URL并保存示例

有时候我们会需要从网络上爬取一些图片，来满足我们形形色色直至不可描述的需求。

一个典型的简单爬虫项目步骤包括两步：获取网页地址和提取保存数据。

这里是一个简单的从图片url收集图片的例子，可以成为一个小小的开始。

获取地址

这些图片的URL可能是连续变化的，如从001递增到099，这种情况可以在程序中将共同的前面部分截取，再在最后递增并字符串化后循环即可。

抑或是它们的URL都保存在某个文件中，这时可以读取到列表中：

def getUrls(path):
 urls = []
 with open(path,'r') as f:
   for line in f:
     urls.append(line.strip('\n'))
 return(urls)

保存图片

在python3中，urllib提供了一系列用于操作URL的功能，其中的request模块可以非常方便地抓取URL内容，也就是发送一个GET请求到指定的页面，然后返回HTTP的响应。具体细节请看注释：

def requestImg(url, name, num_retries=3):
 img_src = url
 # print(img_src)
 header = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \
   AppleWebKit/537.36 (KHTML, like Gecko) \
     Chrome/35.0.1916.114 Safari/537.36',
   'Cookie': 'AspxAutoDetectCookieSupport=1'
 }
 # Request类可以使用给定的header访问URL
 req = urllib.request.Request(url=img_src, headers=header)
 try:
   response = urllib.request.urlopen(req) # 得到访问的网址
   filename = name + '.jpg'
   with open(filename, "wb") as f:
     content = response.read() # 获得图片
     f.write(content) # 保存图片
     response.close()
 except HTTPError as e: # HTTP响应异常处理
   print(e.reason)
 except URLError as e: # 一定要放到HTTPError之后，因为它包含了前者
   print(e.reason)
 except IncompleteRead or RemoteDisconnected as e:
   if num_retries == 0: # 重连机制
     return
   else:
     requestImg(url, name, num_retries-1)

其他

捕获异常

以下是批量爬取网页时可能需要捕获的异常，同时可以看出，urllib2库对应urllib库，而httplib库对应http.client：

重连机制

在函数参数中设置一个参数num_retries并对其进行初始化，即默认参数。在某些异常出现时可以将该参数递减，再让它递归调用自身，这就是基本的重连机制。

修饰器

有种设计模式叫修饰器模式，它可以在不修改目标函数代码的前提下，在目标函数执行前后增加一些额外功能。

def clock(func): # 修饰器函数，对函数计时
 def clocked(*args):
   t0 = timeit.default_timer()
   result = func(*args)
   elapsed = timeit.default_timer() - t0
   name = func.__name__
   arg_str = ', '.join(repr(arg) for arg in args)
   print('[％0.8fs] ％s(％s)' ％ (elapsed, name, arg_str))
   # print('％s(％s) -> ％r [％0.8fs]' ％ (name, arg_str, result, elapsed))
   return result
 return clocked

上面这段代码是修饰器函数的一个例子，用来对函数运行时间进行计时，在需要计时的函数上一行添加一点点代码即可：

@clock

完整代码

from urllib.error import HTTPError, URLError
from http.client import IncompleteRead, RemoteDisconnected
import timeit, time
import urllib.request
import socket

# timeout = 20
# socket.setdefaulttimeout(timeout) # 等待，防止被简单地反爬

def getUrls(path):
 urls = []
 with open(path,'r') as f:
   for line in f:
     urls.append(line.strip('\n'))
 return(urls)

def clock(func): # 修饰器函数，对函数计时
 def clocked(*args):
   t0 = timeit.default_timer()
   result = func(*args)
   elapsed = timeit.default_timer() - t0
   name = func.__name__
   arg_str = ', '.join(repr(arg) for arg in args)
   print('[％0.8fs] ％s(％s)' ％ (elapsed, name, arg_str))
   # print('％s(％s) -> ％r [％0.8fs]' ％ (name, arg_str, result, elapsed))
   return result
 return clocked

@clock
def requestImg(url, name, num_retries=3):
 img_src = url
 # print(img_src)
 header = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \
   AppleWebKit/537.36 (KHTML, like Gecko) \
     Chrome/35.0.1916.114 Safari/537.36',
   'Cookie': 'AspxAutoDetectCookieSupport=1'
 }
 req = urllib.request.Request(url=img_src, headers=header)
 try:
   response = urllib.request.urlopen(req)
   filename = name + '.jpg'
   with open(filename, "wb") as f:
     content = response.read()
     f.write(content)
     response.close()
 except HTTPError as e:
   print(e.reason)
 except URLError as e:
   print(e.reason)
 except IncompleteRead or RemoteDisconnected as e:
   if num_retries == 0:
     return
   else:
     requestImg(url, name, num_retries-1)

if __name__ =='__main__':
 urls = getUrls('./'URLS.txt') # 换成你的URL文件路径
 nLines = len(urls)
 print(nLines)
 for index, value in enumerate(urls):
     requestImg(value, './'+str(index).zfill(6)) # zfill用来格式化数字：000001

来源：https://blog.csdn.net/Tele_Anti_Nomy/article/details/88092012