Python爬虫之爬取网页图片

当我们想要下载网页的图片时，发现网页的图片太多了，无从下手，那我们写一个脚本来爬取呗。

这次的脚本是专门针对某个外国网站使用的，因此仅供参考思路。

在测试的过程中，我发现网站使用了发爬虫机制，具体就是JavaScript动态渲染html代码，你中间使用python抓包没有JavaScript渲染过，所以BeautiSoup就不能解析HTML里面的<img>标签中的带有完整图片链接的src属性。

当我们关闭浏览器的JavaScript，网页就拒绝显示了，因此如何绕过这个是个问题。

实话实说，我没从代码层面绕过JavaScript动态渲染，但是我们如果在python中加入这个功能的目的是什么？不就是为了找到完整的、带有<img>标签的HTML源码嘛

那我们直接用现有的呗！在哪里?

这不就得到了！然后我们把这个源码放进一个txt文件中，python读取这个文件不就行啦？

import requests
from bs4 import BeautifulSoup
import selenium
from selenium import webdriver
import time
import winsound

#模拟浏览器行为，绕过简单的反爬虫机制
options = webdriver.ChromeOptions()
options.add_argument("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36")
driver = webdriver.Chrome(options=options)

# 设置代理和自定义请求头，因为我爬的是外网，所以加了代理
proxies = {
    'http': 'http://192.168.43.244:7890',
    'https': 'http://192.168.43.244:7890',
}

#设置请求头部，这里我用burp抓包抓的头部，更加模拟真实用户请求
headers = {
    'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36",
    'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
    'Accept-Encoding': 'gzip, deflate, br',
    'Upgrade-Insecure-Requests': '1',
    'Sec-Fetch-Dest': 'document',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-Site': 'none',
    'Sec-Fetch-User': '?1',
    'Te': 'trailers',
    'Connection': 'close',
}

# 定义文件（图片）下载路径
download_folder = 'E:/XXX/YYY/'  

# 从文件中读取HTML内容，这里的111.txt是为了让BeautifulSoup读取的
file_path = 'D:/XXX/111.txt'
with open(file_path, 'r', encoding='utf-8') as file:
    html_content = file.read()

# 使用 BeautifulSoup 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')

# 查找所有的img标签并获取其src属性值
img_tags = soup.find_all('img')
image_links = [tag.get('src') for tag in img_tags]

# 定义用于存储访问结果的列表
access_results = []

# 遍历所有图片链接并尝试访问
for link in image_links:
    try:
        response = requests.get(link, headers=headers, proxies=proxies)
        if response.status_code == 200:
            access_results.append(f'Successfully accessed: {link}')
            #下载图片
            file_name = link.split('/')[-1]
            # 拼接保存路径
            save_path = download_folder + file_name
            with open(save_path, 'wb') as f:
                f.write(response.content)
            print(f'Downloaded: {file_name}')
        else:
            access_results.append(f'Failed to access: {link}, Status code: {response.status_code}')
    except requests.exceptions.RequestException as e:
        access_results.append(f'Failed to access: {link}, Error: {e}')

# 输出访问结果
for result in access_results:
    print(result)
winsound.Beep(1000, 500)  # 爬取完毕响铃提示

直接运行，可以看到下载成功了，当然在运行过程中，因为网络问题会出现下载失败的问题，可以多运行几次，进行覆盖。

虽然这算是个半自动爬虫，但是在网页有很多图片的时候，会大大提高效率，这种手动绕过JavaScript动态渲染也是初学者可以使用的思路。