批量下载网站图片的Python实用小工具

本文适合于熟悉Python编程且对互联网高清图片饶有兴趣的筒鞋。读完本文后，将学会如何使用Python库批量并发地抓取网页和下载图片资源。只要懂得如何安装Python库以及运行Python程序，就能使用本文给出的程序批量下载指定图片啦！

　在网上冲浪的时候，总有些“小浪花”令人喜悦。没错，小浪花就是美图啦。边浏览边下载，自然是不错的；不过，好花不常开，好景不常在，想要便捷地保存下来，一个个地另存为还是很麻烦的。能不能批量下载呢？

目标

太平洋摄影网，一个不错的摄影网站。如果你喜欢自然风光的话，不妨在上面好好饱览一顿吧。饱览一会，或许你还想打包带走呢。这并不是难事，让我们顺藤摸瓜地来尝试一番吧（懒得截图，自己打开网站观赏吧）。

首先，我们打开网址 http://dp.pconline.com.cn/list/all_t145.html ；那么，马上有N多美妙的缩略图呈现在你面前；

任意点击其中一个链接，就到了一个系列的第一张图片的页面： http://dp.pconline.com.cn/photo/3687487.html，再点击下可以到第二张图片的页面： http://dp.pconline.com.cn/photo/3687487_2.html ；图片下方点击“查看原图”，会跳转到 http://dp.pconline.com.cn/public/photo/source_photo.jsp?id=19706865&photoId=3687487 这个页面，呈现出一张美美的高清图。右键另存为，就可以保存到本地。

也许你的心已经开始痒痒啦：要是一个命令行，就能把美图尽收怀中，岂不美哉！

思路

该如何下手呢？要想用程序自动化解决问题，就得找到其中规律！规律，YES ！

只要你做过 web 开发，一定知道，在浏览器的控制台，会有页面的 html ，而 html 里会包含图片，或者是包含图片的另一个 HTML。对于上面的情况而言， http://dp.pconline.com.cn/list/all_t145.html 是一个大主题系列的入口页面，比如自然是 t145，建筑是 t292，记作 EntryHtml ；这个入口页面包含很多链接指向子的HTML，这些子 HTML 是这个大主题下的不同个性风格的摄影师拍摄的不同系列的美图，记作 SerialHtml ; 而这些 SerialHtml 又会包含一个子系列每一张图片的首 HTML，记作 picHtml ，这个 picHtml 包含一个“查看原图”链接，指向图片高清地址的链接 http://dp.pconline.com.cn/public/photo/source_photo.jsp?id=19706865&photoId=3687487 ，记作 picOriginLink ；最后，在 picOriginLink 里找到 img 元素，即高清图片的真真实地址 picOrigin。 (⊙v⊙)嗯，貌似有点绕晕了，我们来总结一下：

EntryHtml （主题入口页面） -> SerialHtml （子系列入口页面） -> picHtml （子系列图片浏览页面） -> picOriginLink （高清图片页面） -> picOrigin （高清图片的真实地址）

现在，我们要弄清楚这五级是怎么关联的。

经过查看 HTML 元素，可知：

(1) SerialHtml 元素是 EntryHtml 页面里的 class="picLink" 的 a 元素；

(2) picHtml 元素是 SerialHtml 的加序号的结果，比如 SerialHtml 是 http://dp.pconline.com.cn/photo/3687487.html，总共有 8 张，那么 picHtml = http://dp.pconline.com.cn/photo/3687487_[1-8].html ，注意到 http://dp.pconline.com.cn/photo/3687487.html 与 http://dp.pconline.com.cn/photo/3687487_1.html 是等效的，这会给编程带来方便。

(3) “查看原图” 是指向高清图片地址的页面 xxx.jsp 的链接：它是 picHtml 页面里的 class="aView aViewHD" 的 a 元素；

(4) 最后，从 xxx.jsp 元素中找出 src 为图片后缀的 img 元素即可。

那么，我们的总体思路就是：

STEP1：抓取 EntryHtml 的网页内容 entryContent ;

STEP2：解析 entryContent ，找到class="picLink" 的 a 元素列表 SerialHtmlList ；

STEP3：对于SerialHtmlList 的每一个网页 SerialHtml_i：

(1) 抓取其第一张图片的网页内容，解析出其图片总数 total ；

(2) 根据图片总数 total 并生成 total 个图片链接 picHtmlList ；

a. 对于 picHtmlList 的每一个网页，找到 class="aView aViewHD" 的 a 元素 hdLink ；

b. 抓取 hdLink 对应的网页内容，找到img元素获得最终的图片真实地址 picOrigin ；

c. 下载 picOrigin 。

注意到，一个主题系列有多页，比如首页是 EntryHtml ：http://dp.pconline.com.cn/list/all_t145.html ，第二页是 http://dp.pconline.com.cn/list/all_t145_p2.html ；首页等效于 http://dp.pconline.com.cn/list/all_t145_p1.html 这会给编程带来方便。要下载一个主题下多页的系列图片，只要在最外层再加一层循环。这就是串行版本的实现流程。

串行版本

思路

主要库的选用：

(1) requests : 抓取网页内容；

(2) BeautifulSoup: 遍历HTML文档树，获取所需要的节点元素；

(3) multiprocessing.dummy : Python 的多进程并发库，这个是以多进程API的形式实现多线程的功能。

一点技巧：

(1) 使用装饰器来统一捕获程序中的异常，并打印错误信息方便排查；

(2) 细粒度地拆分逻辑，更易于复用、扩展和优化；

(3) 使用异步函数改善性能，使用 map 函数简洁表达；

运行环境 Python2.7 , 使用 easy_install 或 pip 安装 requests , BeautifulSoup 这两个三方库。

实现

  1 #!/usr/bin/python
  2 #_*_encoding:utf-8_*_
  3 
  4 import os
  5 import re
  6 import sys
  7 import requests
  8 from bs4 import BeautifulSoup
  9 
 10 saveDir = os.environ['HOME'] + '/joy/pic/pconline/nature'
 11 
 12 def createDir(dirName):
 13     if not os.path.exists(dirName):
 14         os.makedirs(dirName)
 15 
 16 def catchExc(func):
 17     def _deco(*args, **kwargs):
 18         try:
 19             return func(*args, **kwargs)
 20         except Exception as e:
 21             print "error catch exception for %s (%s, %s)." % (func.__name__, str(*args), str(**kwargs))
 22             print e
 23             return None
 24     return _deco
 25 
 26 
 27 @catchExc
 28 def getSoup(url):
 29     '''
 30        get the html content of url and transform into soup object
 31            in order to parse what i want later
 32     '''
 33     result = requests.get(url)
 34     status = result.status_code
 35     if status != 200:
 36         return None
 37     resp = result.text
 38     soup = BeautifulSoup(resp, "lxml")
 39     return soup
 40 
 41 @catchExc
 42 def parseTotal(href):
 43     '''
 44       total number of pics is obtained from a data request , not static html.
 45     '''
 46     photoId = href.rsplit('/',1)[1].split('.')[0]
 47     url = "http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId
 48     soup = getSoup("http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId)
 49     totalNode = soup.find('p')
 50     total = int(totalNode.text)
 51     return total
 52 
 53 @catchExc
 54 def buildSubUrl(href, ind):
 55     '''
 56     if href is http://dp.pconline.com.cn/photo/3687736.html, total is 10
 57     then suburl is
 58         http://dp.pconline.com.cn/photo/3687736_[1-10].html
 59     which contain the origin href of picture
 60     '''
 61     return href.rsplit('.', 1)[0] + "_" + str(ind) + '.html'
 62 
 63 @catchExc
 64 def download(piclink):
 65     '''
 66        download pic from pic href such as
 67             http://img.pconline.com.cn/images/upload/upc/tx/photoblog/1610/21/c9/28691979_1477032141707.jpg
 68     '''
 69 
 70     picsrc = piclink.attrs['src']
 71     picname = picsrc.rsplit('/',1)[1]
 72     saveFile = saveDir + '/' + picname
 73 
 74     picr = requests.get(piclink.attrs['src'], stream=True)
 75     with open(saveFile, 'wb') as f:
 76         for chunk in picr.iter_content(chunk_size=1024):
 77             if chunk:
 78                 f.write(chunk)
 79                 f.flush()
 80     f.close()
 81 
 82 @catchExc
 83 def downloadForASerial(serialHref):
 84     '''
 85        download a serial of pics
 86     '''
 87 
 88     href = serialHref
 89     subsoup = getSoup(href)
 90     total = parseTotal(href)
 91     print 'href: %s *** total: %s' % (href, total)
 92 
 93     for ind in range(1, total+1):
 94         suburl = buildSubUrl(href, ind)
 95         print "suburl: ", suburl
 96         subsoup = getSoup(suburl)
 97 
 98         hdlink = subsoup.find('a', class_='aView aViewHD')
 99         picurl = hdlink.attrs['ourl']
100 
101         picsoup = getSoup(picurl)
102         piclink = picsoup.find('img', src=re.compile(".jpg"))
103         download(piclink)
104 
105 
106 @catchExc
107 def downloadAllForAPage(entryurl):
108     '''
109        download serial pics in a page
110     '''
111 
112     soup = getSoup(entryurl)
113     if soup is None:
114         return
115     #print soup.prettify()
116     picLinks = soup.find_all('a', class_='picLink')
117     if len(picLinks) == 0:
118         return
119     hrefs = map(lambda link: link.attrs['href'], picLinks)
120     print 'serials in a page: ', len(hrefs)
121 
122     for serialHref in hrefs:
123         downloadForASerial(serialHref)
124 
125 def downloadEntryUrl(serial_num, index):
126     entryUrl = 'http://dp.pconline.com.cn/list/all_t%d_p%d.html' % (serial_num, index)
127     print "entryUrl: ", entryUrl
128     downloadAllForAPage(entryUrl)
129     return 0
130 
131 def downloadAll(serial_num):
132     start = 1
133     end = 2
134     return [downloadEntryUrl(serial_num, index) for index in range(start, end+1)]
135 
136 serial_num = 145
137 
138 if __name__ == '__main__':
139     createDir(saveDir)
140     downloadAll(serial_num)

并发版本

思路

很显然，串行版本会比较慢，CPU 长时间等待网络连接和操作。要提高性能，通常是采用如下措施：

(1) 将任务分组，可以在需要的时候改造成任务并行的计算，也可以在机器性能不佳的情况下控制并发量，保持稳定运行；

(2) 使用多线程将 io 密集型操作隔离开，避免CPU等待；

(3) 单个循环操作改为批量操作，更好地利用并发；

(4) 使用多进程进行 CPU 密集型操作或任务分配，更充分利用多核的力量。

实现

目录结构：

pystudy
    common
        common.py
        net.py
        multitasks.py
    tools
        dwloadpics_multi.py

common.py

 1 import os
 2 
 3 def createDir(dirName):
 4     if not os.path.exists(dirName):
 5         os.makedirs(dirName)
 6 
 7 def catchExc(func):
 8     def _deco(*args, **kwargs):
 9         try:
10             return func(*args, **kwargs)
11         except Exception as e:
12             print "error catch exception for %s (%s, %s): %s" % (func.__name__, str(*args), str(**kwargs), e)
13             return None
14     return _deco

net.py

 1 import requests
 2 from bs4 import BeautifulSoup
 3 from common import catchExc
 4 
 5 import time
 6 
 7 delayForHttpReq = 0.5 # 500ms
 8 
 9 @catchExc
10 def getSoup(url):
11     '''
12        get the html content of url and transform into soup object
13            in order to parse what i want later
14     '''
15     time.sleep(delayForHttpReq)
16     result = requests.get(url)
17     status = result.status_code
18     # print 'url: %s , status: %s' % (url, status)
19     if status != 200:
20         return None
21     resp = result.text
22     soup = BeautifulSoup(resp, "lxml")
23     return soup
24 
25 @catchExc
26 def batchGetSoups(pool, urls):
27     '''
28        get the html content of url and transform into soup object
29            in order to parse what i want later
30     '''
31 
32     urlnum = len(urls)
33     if urlnum == 0:
34         return []
35 
36     return pool.map(getSoup, urls)
37 
38 
39 @catchExc
40 def download(piclink, saveDir):
41     '''
42        download pic from pic href such as
43             http://img.pconline.com.cn/images/upload/upc/tx/photoblog/1610/21/c9/28691979_1477032141707.jpg
44     '''
45 
46     picsrc = piclink.attrs['src']
47     picname = picsrc.rsplit('/',1)[1]
48     saveFile = saveDir + '/' + picname
49 
50     picr = requests.get(piclink.attrs['src'], stream=True)
51     with open(saveFile, 'wb') as f:
52         for chunk in picr.iter_content(chunk_size=1024):
53             if chunk:
54                 f.write(chunk)
55                 f.flush()
56     f.close()
57 
58 @catchExc
59 def downloadForSinleParam(paramTuple):
60     download(paramTuple[0], paramTuple[1])

multitasks.py

 1 from multiprocessing import (cpu_count, Pool)
 2 from multiprocessing.dummy import Pool as ThreadPool
 3 
 4 ncpus = cpu_count()
 5 
 6 def divideNParts(total, N):
 7     '''
 8        divide [0, total) into N parts:
 9         return [(0, total/N), (total/N, 2M/N), ((N-1)*total/N, total)]
10     '''
11 
12     each = total / N
13     parts = []
14     for index in range(N):
15         begin = index*each
16         if index == N-1:
17             end = total
18         else:
19             end = begin + each
20         parts.append((begin, end))
21     return parts

dwloadpics_multi.py

  1 #_*_encoding:utf-8_*_
  2 #!/usr/bin/python
  3 
  4 import os
  5 import re
  6 import sys
  7 
  8 from common import createDir, catchExc
  9 from net import getSoup, batchGetSoups, download, downloadForSinleParam
 10 from multitasks import *
 11 
 12 saveDir = os.environ['HOME'] + '/joy/pic/pconline'
 13 dwpicPool = ThreadPool(5)
 14 getUrlPool = ThreadPool(2)
 15 
 16 @catchExc
 17 def parseTotal(href):
 18     '''
 19       total number of pics is obtained from a data request , not static html.
 20     '''
 21     photoId = href.rsplit('/',1)[1].split('.')[0]
 22     url = "http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId
 23     soup = getSoup("http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId)
 24     totalNode = soup.find('p')
 25     total = int(totalNode.text)
 26     return total
 27 
 28 @catchExc
 29 def buildSubUrl(href, ind):
 30     '''
 31     if href is http://dp.pconline.com.cn/photo/3687736.html, total is 10
 32     then suburl is
 33         http://dp.pconline.com.cn/photo/3687736_[1-10].html
 34     which contain the origin href of picture
 35     '''
 36     return href.rsplit('.', 1)[0] + "_" + str(ind) + '.html'
 37 
 38 def getOriginPicLink(subsoup):
 39     hdlink = subsoup.find('a', class_='aView aViewHD')
 40     return hdlink.attrs['ourl']
 41 
 42 def findPicLink(picsoup):
 43     return picsoup.find('img', src=re.compile(".jpg"))
 44 
 45 def downloadForASerial(serialHref):
 46     '''
 47        download a serial of pics
 48     '''
 49 
 50     href = serialHref
 51     total = getUrlPool.map(parseTotal, [href])[0]
 52     print 'href: %s *** total: %s' % (href, total)
 53 
 54     suburls = [buildSubUrl(href, ind) for ind in range(1, total+1)]
 55     subsoups = batchGetSoups(getUrlPool, suburls)
 56 
 57     picUrls = map(getOriginPicLink, subsoups)
 58     picSoups = batchGetSoups(getUrlPool,picUrls)
 59     piclinks = map(findPicLink, picSoups)
 60     downloadParams = map(lambda picLink: (picLink, saveDir), piclinks)
 61     dwpicPool.map_async(downloadForSinleParam, downloadParams)
 62 
 63 def downloadAllForAPage(entryurl):
 64     '''
 65        download serial pics in a page
 66     '''
 67 
 68     print 'entryurl: ', entryurl
 69     soups = batchGetSoups(getUrlPool,[entryurl])
 70     if len(soups) == 0:
 71         return
 72 
 73     soup = soups[0]
 74     #print soup.prettify()
 75     picLinks = soup.find_all('a', class_='picLink')
 76     if len(picLinks) == 0:
 77         return
 78     hrefs = map(lambda link: link.attrs['href'], picLinks)
 79     map(downloadForASerial, hrefs)
 80 
 81 def downloadAll(serial_num, start, end, taskPool=None):
 82     entryUrl = 'http://dp.pconline.com.cn/list/all_t%d_p%d.html'
 83     entryUrls = [ (entryUrl % (serial_num, ind)) for ind in range(start, end+1)]
 84     execDownloadTask(entryUrls, taskPool)
 85 
 86 def execDownloadTask(entryUrls, taskPool=None):
 87     if taskPool:
 88         print 'using pool to download ...'
 89         taskPool.map(downloadAllForAPage, entryUrls)
 90     else:
 91         map(downloadAllForAPage, entryUrls)
 92 
 93 if __name__ == '__main__':
 94     createDir(saveDir)
 95     taskPool = Pool(processes=ncpus)
 96 
 97     serial_num = 145
 98     total = 4
 99     nparts = divideNParts(total, 2)
100     for part in nparts:
101         start = part[0]+1
102         end = part[1]
103         downloadAll(serial_num, start, end, taskPool=None)
104     taskPool.close()
105     taskPool.join()

知识点

装饰器

catchExc 函数实现了一个简易的异常捕获器，捕获程序中遇到的异常并打印详细信息便于排查。 _deco(*args, **kwargs) 是具有通用签名的 python 函数，装饰器返回的是函数引用，而不是具体的值。

动态数据抓取

比如 http://dp.pconline.com.cn/photo/4846936.html 这个子系列页面下的所有图片数，是根据动态JS加载的（在Chrome通过抓取工具可以得到）。因此，需要构造相应的请求去相应数据，而不是直接解析静态页面。不过这使得工具依赖于具体网站的请求，显然是不灵活的。

1 function loadPicAmount(){
2         var photoId=4846936;
3         var url="/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?pho
4 toId="+photoId;
5         $.get(url,function(data){
6                 var picAmount=data;
7                 $("#picAmount").append(picAmount);
8         });
9     }

Soup使用

soup确实是利用jQuery语法获取网页元素的利器啊！也说明，借用已经有的惯用法来开拓新的领域，更容易为用户所接受。

(1) 获取id元素： find(id="")

(2) 获取class元素：hdlink = subsoup.find('a', class_='aView aViewHD')

(3) 获取html标签元素：picsoup.find('img', src=re.compile(".jpg")) ; totalNode = soup.find('p')

(4) 获取所有元素： soup.find_all('a', class_='picLink')

(5) 获取指定元素的文本： totalNode.text

(6) 获取指定元素的属性： hdlink.attrs['ourl']

批量处理

在并发批量版本中，大量使用了 map(func, list) , lambda 表达式及列表推导，使得批量处理的含义更加简洁清晰；

此外，这些 map 都可以在适当的时候替换成并发的处理。

模块化

注意到并发版本拆分成了多个python文件，将通用的函数分离出来进行归类，便于后续可以复用。

这里需要设置PYTHONPATH搜索路径，将自己的公共文件放到这个路径下：

export PYTHONPATH=$PYTHONPATH:~/Workspace/python/pystudy/pystudy/common

遇到的问题

多线程问题

遇到的一个问题是，发现获取图片总数以及网页数据时不稳定，有时能获取有时不能获取，经过打印 http 请求后，发现开始正常，接下来会间隔性地批量出现 503 服务不可用。估计是服务器做了保护措施。为了能够稳定地获取到网站数据，降低了请求频率，发送请求前延迟 500ms 。见 net.py getSoup 方法的 time.sleep(0.5) 。毕竟咱们不是为了恶意攻击服务器，只是希望能够自动化便利地获取网站图片。

进程map调用问题

 1 from multiprocessing import Pool
 2 
 3 taskPool = Pool(2)
 4 
 5 def g(x):
 6     return x+1
 7 
 8 
 9 def h():
10     return taskPool.map(g, [1,2,3,4])
11 
12 
13 if __name__ == '__main__':
14 
15     print h()
16     taskPool.close()
17     taskPool.join()

报如下错误：

AttributeError: 'module' object has no attribute 'g'

解决方案是：必须将 taskPool 的定义挪到 if __name__ == '__main__': 包含的作用域内。

1 if __name__ == '__main__':
2 
3     taskPool = Pool(2)
4     print h()
5 
6     taskPool.close()
7     taskPool.join()

原因见 https://docs.python.org/2/library/multiprocessing.html#using-a-pool-of-workers （16.6.1.5. Using a pool of workers）。

Functionality within this package requires that the __main__ module be importable by the children.

emm... 其实没读懂是什么意思。

https://stackoverflow.com/questions/20222534/python-multiprocessing-on-windows-if-name-main 这里也有参考。大意是说，不能在模块导入时去创建进程。

PS：在网上找了N久，最后发现在一段自己不经意忽略的地方找到。说明要多读官方文档，少走捷径答案。

未完待续

在 http://www.cnblogs.com/lovesqcc/p/8830526.html 一文中，我们实现了批量下载图片的工具的一个更加通用的版本。

本文原创，转载请注明出处，谢谢！ :)

posted @ 2016-10-22 16:44 琴水玉阅读(5332) 评论(6) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

编程大观园

Enjoy programming, Enjoy life ~~~　设计，诗歌与爱

批量下载网站图片的Python实用小工具

目标

思路

串行版本

思路

实现

并发版本

思路

实现

知识点

装饰器

动态数据抓取

Soup使用

批量处理

模块化

遇到的问题

多线程问题

进程map调用问题

未完待续

公告

编程大观园

Enjoy programming, Enjoy life ~~~ 设计，诗歌与爱

批量下载网站图片的Python实用小工具

目标

思路

串行版本

思路

实现

并发版本

思路

实现

知识点

装饰器

动态数据抓取

Soup使用

批量处理

模块化

遇到的问题

多线程问题

进程map调用问题

未完待续

公告

Enjoy programming, Enjoy life ~~~　设计，诗歌与爱