采集 base64 编码的图片

问题

爬虫抓取网页的时候，遇到有的图片是 base64 编码的格式，要怎样下载到本地呢？

示例：base64 编码的 img 标签

<!-- 内容太长省略一部分 -->
<img src="data:image/png;base64,/9j/4S/+RXhpZgAATU0AKgAAAAgAAAAAA...km7SSkpf/9k=">

解决方案

以上文为例，当我们解析到 src 属性后，可以做如下处理：

>>> import base64
>>> 
>>> # src 属性
>>> src
'data:image/png;base64,/9j/4S/+RXhpZgAATU0AKgAAAAgAAAAAA...km7SSkpf/9k='
>>>
>>> # 提取内容部分
>>> info, b64_data = src.split('base64,', 1)
>>> 
>>> # 提取文件格式
>>> fmt = info.split('image/')[-1].replace(';', '')
>>> 
>>> # 解码内容
>>> binary_data = base64.urlsafe_b64decode(b64_data)
>>>
>>> # 保存到文件
>>> with open('this_image_was_from_base64.' + fmt, 'wb') as f:
...		f.write(binary_data)

扩展

• 标准库中的 base64 模块也提供了 urlsafe_b64encode 方法，可以将文件类型的对象编码为 base64，不过对于专注于爬虫业务的工作者基本可以无视

• Data URL 由 data: 前缀、MIME 类型（表明数据类型）、base64 标志位（如果是文本，则可选）以及数据本身四部分组成，如：

  data:[<mediatype>][;base64],data
  

  其中，mediatype 是一个MIME（Multipurpose Internet Mail Extension）类型字符串，如 image/jpeg 表示一个 JPEG 图片文件。如果省略，默认值为 text/plain;charset=US-ASCII，了解它的构成对于解析很有帮助