利用python爬虫爬取垃圾图片数据

大家如果想构建相关垃圾相关的图片数据集，可以采用爬虫自行爬取和整理，网上随便找了个代码，该代码主要采用requests和BeautifulSoup函数进行爬取网页信息，下面给了每段函数给了注视（不会可以问Q525894654），可以改的地方给了注释和修改方法，再不会我也没有办法了。但是这个爬虫只是简单的爬取图片，可能爬到的图片还不够标准，不是很好的垃圾分类数据集，所以大家可以手动再次标注和筛选。

import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import osnum = 0
numPicture = 0
file = ''
List = []def Find(url):#该函数用于检测图片数量global Listprint('正在检测图片总数，请稍等.....')t = 0i = 1s = 0while t < 1000:Url = url + str(t)try:Result = requests.get(Url, timeout=7)except BaseException:t = t + 60continueelse:result = Result.textpic_url = re.findall('"objURL":"(.*?)",', result, re.S)  # 先利用正则表达式找到图片urls += len(pic_url)if len(pic_url) == 0:breakelse:List.append(pic_url)t = t + 60return sdef recommend(url):#用于解析网页获取图片Re = []try:html = requests.get(url)except error.HTTPError as e:returnelse:html.encoding = 'utf-8'bsObj = BeautifulSoup(html.text, 'html.parser')div = bsObj.find('div', id='topRS')if div is not None:listA = div.findAll('a')for i in listA:if i is not None:Re.append(i.get_text())return Redef dowmloadPicture(html, keyword):#下载图片global num# t =0pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 先利用正则表达式找到图片urlprint('找到关键词:' + keyword + '的图片，即将开始下载图片...')for each in pic_url:print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))try:if each is not None:pic = requests.get(each, timeout=7)else:continueexcept BaseException:print('错误，当前图片无法下载')continueelse:string = file + r'\\' + keyword + '_' + str(num) + '.jpg'fp = open(string, 'wb')fp.write(pic.content)fp.close()num += 1if num >= numPicture:returnif __name__ == '__main__':  # 主函数入口# tm = int(input('请输入每类图片的下载数量 '))numPicture =10#大家可以修改这个参数进行修改自己想要获取图片的数量，当然可以通过定义使numPicture =tot，将Find函数检测到的图片数量全部爬下来print('每类图片的下载数量 ',numPicture)line_list = []with open('./name.txt') as file:#这一个自己建的text文件，放着自己要爬取垃圾的名称，比如废纸，烂苹果啥的....line_list = [k.strip() for k in file.readlines()]  # 用 strip()移除末尾的空格for word in line_list:url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='tot = Find(url)Recommend = recommend(url)  # 记录相关推荐print('经过检测%s类图片共有%d张' % (word, tot))file = word + '文件'#文件保存的地方y = os.path.exists(file)if y == 1:print('该文件已存在，请重新输入')file = word + '文件夹2'os.mkdir(file)else:os.mkdir(file)t = 0tmp = urlwhile t < numPicture:try:url = tmp + str(t)result = requests.get(url, timeout=10)print(url)except error.HTTPError as e:print('网络错误，请调整网络后重试')t = t + 60else:dowmloadPicture(result.text, word)t = t + 60numPicture = numPicture +  numPictureprint('end')

爬取出来的结果：

比如爬的废纸（其中一个）：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！