程序员(媛)不懂汉服?岂能让别人小看,咱先靠肉眼大数据识别万张穿搭照
汉服,是真的漂亮
阅读本篇博客你将收获
Python 技术的提升
40000+张汉服照片,或者更多
汉服照片采集术
目标数据源分析
本次要抓取的目标数据参考下图。目标网站为 https://www.hanfuhui.com/
,一个以汉服同袍为中心的垂直社区。
本篇博客将要涉及的知识点
requests 读取 json 数据;
json 格式数据解析;
csv 文件存储;
文件读取+图片保存。
数据来源分析
本次抓取的目标数据为异步传输,即通过服务器接口返回,通过浏览器开发者工具查询接口结构如下:
数据接口为:
https://api5.hanfugou.com/Trend/GetTrendListForHot?maxid=3396754&objecttype=album&page=3&count=20
,其中重要的参数为page
与count
,即页码与每页数据量,测试过程发现,count
值可以任意修改,当超过100
之后,接口返回数据速度变慢,后续该值设置为500
。接口响应的数据格式为
JSON
,如下图所示,接口成功状态为Status
,接口核心数据在Data
中。关于 JSON 格式数据的更多学习,可以寻找相应的资料扩展学习,也可以从案例入手,逐步掌握,例如跟随《Python 爬虫 120》专栏,在实践中学习。
需求整理
基于上述分析,整理如下需求:
批量生成接口地址,用于提取图片地址;
为保证效率,将提取到的图片地址批量存储到
csv
文件中;读取
csv
文件中的图片地址,拼接可下载链接;下载图片。
案例编码
首先使用 requests
进行基础数据抓取,本步骤比较简单,直接展示代码即可。
上述代码缺少接口状态验证逻辑,相关注释已经标注在指定位置,如有必要,可进行扩展。
第一步保存的数据由 40000+,已经满足后续使用,接下来编写获取图片相关逻辑代码。
通过 csv
文件获取的图片连接,直接请求,得到的是一张名称为 hanfuhui-pi-404
的图片,即该请求存在问题。
后续再次测试过程,发现部分图片连接可访问,部分返回 404 图,存在差异化。此处不在进行特殊化处理。
通过页面详情页,获取图片地址,得到如下规律。
当图片地址为 https://pic.hanfugou.com/android/2020/2/30/3b2c6bc54cfa4656a81b4f9b4167e2c3.jpg
时,下载失败,在此基础上,增加图片大小限制,即 https://pic.hanfugou.com/android/2020/2/30/3b2c6bc54cfa4656a81b4f9b4167e2c3.jpg_700x.jpg
得到正确的图片,仅降低了清晰度。
图片抓取代码如下
使用如下代码,需要提前在代码文件目录建立 hanfu
目录,用于存放图片。
由于图片地址的请求协议为 https
,顾需要在 requests
发起请求的方法中,新增加一个参数 verify
,并设置为 False
,该参数表示请求数据时,不验证网站的 ca 证书。
代码编写完毕,接下来就是等待程序给我们进货的时间了,出去喝茶啦。
抓取结果展示时间
本次抓取的数据,已经上传到 CSDN 下载频道,源码分享在代码频道。
完整代码下载地址:https://codechina.csdn.net/hihell/python120,NO13。
以下是爬取过程中产生的各种各种图片,如果只需要数据,可去下载频道下载~(硬盘空间有限,剩下的交给你了)
版权声明: 本文为 InfoQ 作者【梦想橡皮擦】的原创文章。
原文链接:【http://xie.infoq.cn/article/f258121d81b2a83f46bfbd3e8】。文章转载请联系作者。
评论