[python爬虫] 爬取图片无法打开或已损坏的简单探讨

本文主要针对python使用urlretrieve或urlopen下载百度、搜狗、googto（谷歌镜像）等图片时，出现"无法打开图片或已损坏"的问题，作者对它进行简单的探讨。同时，作者将进一步帮你巩固selenium自动化操作和urllib库等知识。
感谢朋友"露为霜"的帮助！希望以后能实现强大的图片爬虫代码~

一. 引入Selenium自动爬取百度图片

下面这部分Selenium代码的主要功能是：
  1.先自动运行浏览器，并访问百度图片链接：http://image.baidu.com/
  2.通过driver.find_element_by_xpath()函数获取输入框的位置；
3.在输入框中自动输入搜索关键词"邓肯"，再输入回车搜索"邓肯"相关图片；
4.再通过find_element_by_xpath()获取图片的原图url，这里仅获取一张图片；
  5.调用urllib的urlretrieve()函数下载图片。
最后整个动态效果如下图所示，但是图片却无法显示：

代码如下：

 # -*- coding: utf-8 -*-

 import urllib

 import re

 import time

 import os

 from selenium import webdriver

 from selenium.webdriver.common.keys import Keys

 import selenium.webdriver.support.ui as ui

 from selenium.webdriver.common.action_chains import ActionChains         

 #Open PhantomJS

 #driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")

 driver = webdriver.Firefox()

 wait = ui.WebDriverWait(driver,10)

 #Search Picture By Baidu

 url = "http://image.baidu.com/"

 name = u"邓肯"

 driver.get(url)

 elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")

 elem_inp.send_keys(name)

 elem_inp.send_keys(Keys.RETURN)

 time.sleep(5)

 #Get the URL of Pictures

 #elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a")

 elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a/img")

 elem_url = elem_pic.get_attribute("src")

 print elem_url

 #Download Pictures

 driver.get(elem_url)

 urllib.urlretrieve(elem_url,"picture.jpg")

 print "Download Pictures!!!"

二. 简单分析原因及知识巩固

1.urllib.urlretrieve()
通过urlretrieve()函数可设置下载进度发现图片是一下子就加载的。这里给大家巩固这个urlretrieve函数的方法和Python时间命名方式，代码如下：

 # -*- coding: utf-8 -*-

 import urllib

 import time

 import os

 #显示下载进度

 def schedule(a,b,c):

     #a:已下载的数据块 b:数据块的大小 c:远程文件的大小

     per = 100.0 * a * b / c

     if per > 100 :

         per = 100

     print '%.2f%%' % per

 if __name__ == '__main__':

     url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"

     #定义文件名 时间命名

     t = time.localtime(time.time())

     #反斜杠连接多行

     filename = str(t.__getattribute__("tm_year")) + "_" + \

                str(t.__getattribute__("tm_mon")) + "_" + \

                str(t.__getattribute__("tm_mday"))

     target = "%s.jpg" % filename

     print target

     urllib.urlretrieve(url,target,schedule)

     print "Download Picture!!!"

发现该图片的大小仅为168字节，其中输出结果如下图，获取的URL地址如下：
http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg
而换张图片是能显示下载进度的，如我的头像。显然我想让程序加个进度就能爬取图片的想法失败。头像地址：http://avatar.csdn.net/F/8/5/1_eastmount.jpg

猜测可能获取的百度URL不是原图地址，或者是个服务器设置了相应的拦截或加密。参考"Python爬虫抓取网页图片"，函数相关介绍如下：

>>> help(urllib.urlretrieve)

Help on function urlretrieve in module urllib:

urlretrieve(url, filename=None, reporthook=None, data=None)

参数url：

    指定的下载路径

参数 finename：

    指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）

参数 reporthook：

    是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，

    我们可以利用这个回调函数来显示当前的下载进度。

参数 data：

    指 post 到服务器的数据，该方法返回一个包含两个元素的(filename, headers)元组，

    filename 表示保存到本地的路径，header 表示服务器的响应头。

2.urllib2.urlopen()
换个方法urlopen()实现，同时设置消息头试试，并输出信息和图片大小。

 # -*- coding: utf-8 -*-

 import os

 import sys

 import urllib

 import urllib2

 #设置消息头

 url = "http://img4.imgtn.bdimg.com/it/u=3459898135,859507693&fm=11&gp=0.jpg"

 header = {

     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \

         AppleWebKit/537.36 (KHTML, like Gecko) \

         Chrome/35.0.1916.114 Safari/537.36',

     'Cookie': 'AspxAutoDetectCookieSupport=1'

 }

 request = urllib2.Request(url, None, header)

 response = urllib2.urlopen(request)

 print response.headers['Content-Length']

 with open("picture.jpg","wb") as f:

     f.write(response.read())

 print response.geturl()

 print response.info()    #返回报文头信息

 print urllib2.urlopen(url).read()

返回内容是”HTTPError: HTTP Error 403: Forbidden“，Selenium打开如下：

其中403错误介绍如下，服务器拒绝服务：

换成我的博客图像那张图是能下载的，同时设置消息头和代理，推荐一篇文章：
[Python]网络爬虫（五）：urllib2的使用细节与抓站技巧

三. 解决方法

主要参考三篇文章和自己的一些想法：
  selenium+python 爬取网络图片(2) -- 百度
   Python 3 多线程下载百度图片搜索结果
   CSDN博客搬家到WordPress - curl设置headers爬取

第一个方法 F12审查元素和SRC的骗局
这是感谢"露为霜"同学提供的方法，如果你通过浏览器点开百度搜索"邓肯"的第一张图片，复制网址后，会发现图片真实的地址为：
http://gb.cri.cn/mmsource/images/2015/11/22/sb2015112200073.jpg
此时你再分析百度搜索页面，你会发现"F12审查元素和获取src元素的行为欺骗了你"，正是因为它俩定位到了错误的图片链接。而真实的URL是在"ul/li/"中的"data-objurl"属性中。

代码如下：

 # -*- coding: utf-8 -*-

 import urllib

 import re

 import time

 import os

 from selenium import webdriver

 from selenium.webdriver.common.keys import Keys

 import selenium.webdriver.support.ui as ui

 from selenium.webdriver.common.action_chains import ActionChains

 #Open PhantomJS

 #driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")

 driver = webdriver.Firefox()

 wait = ui.WebDriverWait(driver,10)

 #Search Picture By Baidu

 url = "http://image.baidu.com/"

 name = u"邓肯"

 driver.get(url)

 elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")

 elem_inp.send_keys(name)

 elem_inp.send_keys(Keys.RETURN)

 time.sleep(5)

 #Get the URL of Pictures

 num = 1

 elem_pic = driver.find_elements_by_xpath("//div[@class='imgpage']/ul/li")

 for elem in elem_pic:

     elem_url = elem.get_attribute("data-objurl")

     print elem_url

     #Download Pictures

     name = "%03d" % num

     urllib.urlretrieve(elem_url, str(name) + ".jpg")

     num = num + 1

 else:

     print "Download Pictures!!!"

运行代码成功爬取了9张图片，显然成功了！虽然最后报错：IOError: [Errno socket error] [Errno 10060] ，只爬取了9张图片，但是至少可以正确解决了该问题。运行截图如下所示：

同样的道理，googto的elem.get_attribute("src")改成elem.get_attribute("data-imgurl")即可获取正确的图片地址并正确下载。
PS：百度图片动态加载的功能是非常强大的，当你的鼠标拖动时，它会自动增加新的页面，在<ul>中包括新的一批<li>张图片，这也是不同于其它网页在右下角点击"1、2、3..."翻页的，可能也会成为海量图片爬取的又一难点。

第二个方法 Selenium使用右键另存为
还是使用老的链接，虽然读取是无法显示的，但尝试通过Selenium的鼠标右键另存为功能，看能不能爬取成功。

 # -*- coding: utf-8 -*-

 import urllib

 import re

 import time

 import os

 from selenium import webdriver

 from selenium.webdriver.common.keys import Keys

 import selenium.webdriver.support.ui as ui

 from selenium.webdriver.common.action_chains import ActionChains

 #Open PhantomJS

 driver = webdriver.Firefox()

 wait = ui.WebDriverWait(driver,10)

 #Search Picture By Baidu

 url = "http://image.baidu.com/"

 name = u"邓肯"

 driver.get(url)

 elem_inp = driver.find_element_by_xpath("//form[@id='homeSearchForm']/span[1]/input")

 elem_inp.send_keys(name)

 elem_inp.send_keys(Keys.RETURN)

 time.sleep(5)

 #Get the URL of Pictures

 elem_pic = driver.find_element_by_xpath("//div[@class='imgpage']/ul/li/div/a/img")

 elem_url = elem_pic.get_attribute("src")

 print elem_url

 #鼠标移动至图片上 右键保存图片

 driver.get(elem_url)

 print driver.page_source

 elem = driver.find_element_by_xpath("//img")

 action = ActionChains(driver).move_to_element(elem)

 action.context_click(elem) #右键  

 #当右键鼠标点击键盘光标向下则移动至右键菜单第一个选项

 action.send_keys(Keys.ARROW_DOWN)

 action.send_keys('v') #另存为

 action.perform()

 print "Download Pictures!!!"

运行效果如下图所示。虽然它能实现右键另存为，但是需要手动点击保存，其原因是selenium无法操作操作系统级的对话框，又说"set profile"代码段的设置能解决问题的并不靠谱。通过钩子Hook函数可以实现，以前做过C#的钩子自动点击功能，但是想到下载图片需要弹出并点击无数次对话框就很蛋疼，所以该方法并不好！
钩子函数java版本结合robot可以阅读下面这篇文章：
selenium webdriver 右键另存为下载文件（结合robot and autoIt）

第三个方法通过Selenium自动点击百度的下载按钮
其实现过程就是通过Selenium找到"下载"按钮，再点击或获取链接即可。
该方法参考文章：selenium+python 爬取网络图片(2) -- 百度
同时，这里需要强调百度动态加载，可以通过Selenium模拟滚动窗口实现，也参考上面文章。其中核心代码为：
  driver.maximize_window()
  pos += i*500 # 每次下滚500
  js = "document.documentElement.scrollTop=%d" % pos
  driver.execute_script(js)

第四个方法百度图片解码下载及线程实现
参考文章：Python 3 多线程下载百度图片搜索结果

最近看了一些优秀的文章，真心感觉自己缕蚁一般，太过渺小，还有好多知识需要学习啊！加油~而且不知道现在自己做的这些东西是否有用？心理的几个想法一直还未实现，挺担心的。还是自己博客描述那句话：
无知的自己 · 乐观的面对 · 谦逊的学习 · 低调的前行 · 更要会生活
希望文章对你有所帮助，如果有错误或不足之处，还请海涵~
（By:Eastmount 2015-12-07 清晨6点 http://blog.csdn.net/eastmount/）