今天，用Python来开发一个图片搜索下载器。
之所以简陋，是因为获取不到最高清的原图，本篇仅仅提供思路。
由于网站使用JavaScript和ajax动态加载技术，还有验证码机制，对小白来说想要获得原图实在太难啦。
所以只能能获取缩略图，主要提供基本思路。
选择的是pixabay，挺有名的高品质图片网站，免费的， 相信许多人对此并不陌生。
一、目标：
1、实现输入关键词，自动搜索到图片
2、获取图片链接
3、批量下载图片，命名保存入文件
4、代码优化，不中段、无重复，并且可指定下载范围
二、步骤：
1、首先观察分析。
点击进入官网，好家伙和百度一样的瀑布流模式，查看源码发现关键字‘ajax'，隐隐感觉会比较难办。
果不其然，要点击页面才能看到缩略图，还要点击图片才能下载。审查元素里面并不是原图的链接，源码中也没有，按照一般思路并不能获取原图（可能要用到PhantomJS、Selenium等）。
可是我还没有学到PhantonJ和Selenium呀，所以先拿缩略图试水啦（不过比官网最小的那一个下载模式要大一些）。分析/2013/10/16/14/45/是时间，flower为关键词，结合源码分析196360应该是每一个图的特殊代号。
接着就是用正则匹配出时间、特殊代号，再构造出如上的地址就是我们要找的链接了！（当初还以为是原图，实在是。。。）
2、具体步骤
1）匹配图片数量的正则
pattern=re.compile('<input name="pagi.*?>.*?/ (.*?) .*?', re.S)
2）匹配时间、代号正则
pattern=re.compile('<img srcset="https://cdn.pixabay.com/photo(.*?)-(.*?)__340.*?', re.S)
pattern1=re.compile('<img srcset="https://cdn.pixabay.com/photo(.*?)-(.*?)__340.*?', re.S)
pattern2=re.compile('data-lazy-srcset="https://cdn.pixabay.com/photo(.*?)-(.*?)__340.*?', re.S)
刚开始时用的是最先这个，结果只能返回16个图。
百思不得解，还去看了下别的网站，准备放弃之际，查看源码发现，不得了正好与这带下划线链接的16个项吻合，而后面的图片项发现皆带有'data-lazy'。
也就是说，前16和后16根本采用不是一个模式啊！
这可能也是为了反恶意爬虫吧，总之厉害了我的哥_。
后面就简单，分别匹配正则并讨论。
3）创建目录，保存入文件和之间如出一辙，不再赘述。
4）下载保存一页图片时detailURL分情况讨论。i<=16和 i>16的情况。
5）接下来对多页进行循环，发现第1页和第2页之后的url又不相同啦，具体分析之后，构造如下
url2='https://pixabay.com/zh/photos/orientation=&image_type=&cat=&colors=&q='+str(self.keyword)+'&order=popular&pagi='+str(page)
url2='http://pixabay.com/zh/photos/?image_type=&cat=&min_width=&min_height=&q='+str(self.keyword)+'&order=popular'
6）最后优化环节：
检查链接错误减少下载中断
去掉图片下载重复（即每一次重新开始就不用重新下载之前的内容）
设计交互（raw_input)、优化注释
最后还是觉得太low又改了一下，可以选择下载页数（下多少页呀），及起始页数（从哪开始）。经验发现一页100张。这回方便了，不用每次从头开始了。
嘿嘿，这就是一个下载器的基本思路啦~
三、代码
虽然很简陋，（为了方便查询）记录整个过程代码如下，不喜勿喷哇~：
# -*-coding:utf-8 -*-
__author__='WYY'
__date__='2017.03.17'
#爬虫实战小项目：pixabay 图片下载器
import re
import os
import requests
import urllib2
import time
class Spider():
#初始化参数
def __init__(self):
self.keyword=raw_input(u'欢迎使用pixabay 图片搜索下载神器\n请输入搜索关键词(英文)：')
self.siteURL='http://pixabay.com/zh/photos/? image_type=&cat=&min_width=&min_height=&q='+str(self.keyword)+'&order=popular'
#获取详情页源码
def getSource(self,url):
result=requests.get(url).text.encode('utf-8')
return result
#获取图片页数
def getPageNum(self):
result=self.getSource(self.siteURL)
pattern=re.compile('<input name="pagi.*?>.*?/ (.*?) .*?', re.S)
items=re.search(pattern,result)
if items.group(1)>=1:
print u'\n这个主题共有图片', items.group(1), u'页'
else:
print u'\n哎呀，木有您想要的图呢。。。'
return items.group(1)
#匹配正则1
def getItem1(self,url):
result=self.getSource(url)
pattern1=re.compile('<img srcset="https://cdn.pixabay.com/photo(.*?)-(.*?)__340.*?', re.S)
items=re.findall(pattern1, result)
return items
#匹配正则2
def getItem2(self,url):
result=self.getSource(url)
pattern2=re.compile('data-lazy-srcset="https://cdn.pixabay.com/photo(.*?)-(.*?)__340.*?', re.S)
items=re.findall(pattern2,result)
return items
#保存图片入文件
def saveImage(self,detailURL,name):
try:
picture=urllib2.urlopen(detailURL)
fileName=name+'.jpg'
string='F:\Desktop\code\pixabay\%s\%s' % (self.path, fileName)
E=os.path.exists(string)
if not E:
f=open(string, 'wb')
f.write(picture.read())
f.close()
else:
print u'图片已经存在，跳过！'
return False
except (urllib2.HTTPError,urllib2.URLError), e:
print e.reason
return None
#创建目录
def makeDir(self, path):
self.path=path.strip()
E=os.path.exists(os.path.join('F:\Desktop\code\pixabay', self.path))
if not E:
# 创建新目录,若想将内容保存至别的路径（非系统默认），需要更环境变量
# 更改环境变量用os.chdir()
os.makedirs(os.path.join('F:\Desktop\code\pixabay',self.path))
os.chdir(os.path.join('F:\Desktop\code\pixabay',self.path))
print u'成功创建名为', self.path, u'的文件夹'
return self.path
else:
print u'名为', self.path, u'的文件夹已经存在...'
return False
#对一页的操作
def saveOnePage(self,url):
i=1
items=self.getItem1(url)
for item in items:
detailURL='https://cdn.pixabay.com/photo'+str(item[0])+'-'+str(item[1])+ '_960_720.jpg'
print u'\n', u'正在下载并保存图片', i, detailURL
self.saveImage(detailURL, name='Num'+str(i))
time.sleep(0.5)
i+=1
if i>16:
items=self.getItem2(url)
i=17
for item in items:
detailURL = 'https://cdn.pixabay.com/photo'+str(item[0])+'-'+str(item[1])+'_960_720.jpg'
print u'\n', u'正在下载并保存图片', i, detailURL
self.saveImage(detailURL,name='Num'+str(i))
time.sleep(0.5)
i += 1
#对多页图片的操作
def saveMorePage(self):
numbers=self.getPageNum()
Num=int(raw_input(u'一页共100张图，\n请输入要下载的页数(默认页数大于等于1）：'))
Start=int(raw_input(u'请输入下载起始页数：'))
if numbers>=1:
for page in range(Start,Start+Num):
if page==1:
print u'\n',u'正在获取第1页的内容......'
self.url1=self.siteURL
self.makeDir(path=self.keyword + 'page' + str(page))
self.saveOnePage(url=self.url1)
else:
print u'\n',u'正在获取第',page, u'页的内容'
self.url2='https://pixabay.com/zh/photos/?orientation=&image_type=&cat=&colors=&q='+str(self.keyword)+'&order=popular&pagi='+str(page)
self.makeDir(path=self.keyword + 'page' + str(page))
self.saveOnePage(url=self.url2)
else:
return False
print u'\n',u'圆满成功!!!'
spider=Spider()
spider.saveMorePage()
四、结果
第一页
最后一页
实现去重
就是这样啦，成功实现自动搜索和批量下载，硬伤就是—不是原图啊（虽然如果要求不高的话，勉强充个数还是可以的）
不说了，我去学selenium+PhantomJS了。
