作为一个素材收集狂，遇到一个好的图片站，那是必须要盘它的。这次就碰到一个 PNG images 号称有 100000+ 免费的 PNG 图片。
免抠图片站点分析
目标站点：http://pngimg.com/目标数据：全站 PNG 图片，一键下载。该网站具备非常多的分类页，在采集过程中，优先采集该分类页数据。
分类页地址通过开发者工具查看，得到如下内容
该地址需要与域名信息进行拼接，得到详情页地址，例如 anaconda 地址如下：
http://pngimg.com/images/animals/anaconda
复制代码
打开详情页，检查图片所在区域，目的获取图片地址，测试过程中发现图片列表页并未分页，即一页即可获取全部数据。
基于上述内容，整理逻辑如下：
获取所有图片分类标签；
基于分类进入图片列表页；
提取图片列表页图片地址；
下载图片
编码时间
由于本案例涉及文件的读写操作，所以采用多线程实现，代码分为 3 个部分，采集分类，采集图片地址，下载图片。
采集分类代码如下
import randomimport loggingimport threadingfrom typing import Optional, Textimport requestsfrom bs4 import BeautifulSoupimport lxml
logging.basicConfig(level=logging.NOTSET)thread_lock = threading.Lock()
def get_headers(): uas = [ "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)", "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)", ] ua = random.choice(uas) headers = { "user-agent": ua } return headers
# 通用的 requests get 请求方法def get_html(url: Text, headers: dict, timeout: int) -> Optional[Text]: try: res = requests.get(url=url, headers=headers, timeout=timeout) except Exception as e: logging.error(e)
if res is not None: return res.text else: return None
if __name__ == '__main__': url = "http://pngimg.com/" headers = get_headers() # 获取首页的 HTML 数据 html_str = get_html(url, headers, 5) # 解析首页的HTML数据，获取所有列表页链接 soup = BeautifulSoup(html_str, 'lxml')
div_parents = soup.find_all(attrs={'class': 'sub_category'})
# 获取到所有的详情页地址 all_links = [] for div in div_parents: all_links.extend(div.find_all('a'))
print("累计获取到", len(all_links), "个列表页数据")
复制代码
上述代码中将 get_headers() 函数单独提炼，后续将函数直接作为参数，传递到对应类的构造方法中即可。
提取到所有的分类标签存储到 all_links 变量中，后续由于多线程需要共享全局变量，顾提前导入线程锁：
thread_lock = threading.Lock()
复制代码
PNG 采集与下载类
class PngImg(threading.Thread): # 构造函数 def __init__(self, thread_name, headers_func, requests_func) -> None: threading.Thread.__init__(self) self._headers = headers_func() self._timeout = 5 self.requests_func = requests_func self._thread_name = thread_name
def run(self) -> None: bast_host = "http://pngimg.com" while True:
thread_lock.acquire() # 全局锁，获取地址 global all_links if all_links is None: break
list_url = bast_host + all_links.pop().get('href') thread_lock.release() print(self._thread_name + " 正在运行，采集的地址是 " + list_url)
list_html_str = self.requests_func(url=list_url, headers=self._headers, timeout=self._timeout) ret_imgs = self._get_imgs(list_html_str)
self._save(ret_imgs)
def _get_imgs(self, html) -> list: """获取所有的图片地址 :return: 图片 list """ soup = BeautifulSoup(html, 'lxml') # 获取图片所在 div 标签 div_imgs = soup.find_all(attrs={'class': 'png_imgs'}) # 图片地址为空，用来保存图片 tag
imgs_src = [] for div_img in div_imgs: # 遍历 div 标签，检索后代标签中的 img 图片标签 imgs_src.append(div_img.a.img.get("src"))
return imgs_src
def _save(self, imgs): """保存图片 """ for img in imgs: img = img.replace('small/', '') # 去除 small 标记，获取大图 img_url = "https://pngimg.com{}".format(img) # 拼接完整图片访问地址 name = img[img.rfind('/') + 1:] # print(img_url) # print(name)
try: res = requests.get(url=img_url, headers=self._headers, timeout=self._timeout) except Exception as e: logging.error(e)
if res is not None: name = name.replace("/", "_") with open(f'./imgs/{self._thread_name}_{name}', "wb+") as f: f.write(res.content)
复制代码
代码说明：上述类为核心采集类，重写了 run 方法，在其中通过循环实现对所有列表页的采集，_get_imgs() 方法用于获取所有图片地址，用到的依旧是 BeautifulSoup 对象的 find_all() 方法，标签检索使用子集标签寻找方式 div_img.a.img.get("src")，_save() 方法用于存储图片，在这里橡皮擦第一次测试的时候，发现图片路径中带有 small 关键字，如希望获取大图，需要对其进行删除，后续测试发现已经移除该标记。
类的构造方法参数说明如下：
def __init__(self, thread_name, headers_func, requests_func) -> None:
复制代码
线程的开启代码直接写在 main 代码块中即可，本案例使用 5 个线程。
threads = ["Thread A", "Thread B", "Thread C", "Thread D", "Thread E"] for t in threads: my_thread = PngImg(t, get_headers, get_html) my_thread.start()
复制代码
代码运行过程效果图如下所示：
获取图片也是非常快速的。
写在后面
BeautifulSoup 模块的学习暂时告一段落，希望这 3 篇文章，能让你对 bs4 模块有一个初步的认识。
今天是持续写作的第 <font color=red>240</font> / 365 天。期待 <font color=#04a9f4>关注</font>，<font color=#04a9f4>点赞</font>、<font color=#04a9f4>评论</font>、<font color=#04a9f4>收藏</font>。
评论