AotucCrawler 快速爬取图片
今天介绍一款自动化爬取图片项目。
GitHub: https://github.com/YoongiKim/AutoCrawler
Google, Naver multiprocess image web crawler (Selenium)
关键字
- 爬虫网站：Google、Naver （美、韩两大搜索引擎）
- 运行方式：Multiprocess（多进程）
- 爬取格式：image （图片）
- 基于自动化工具：Selenium （不解释）
如何使用
- Git克隆
AutoCrawler项目到本地 - 自行安装
Chrome浏览器 - 安装依赖
> pip -r requirements.txt-
certifi: 包含了很多可信任知名公司的证书/公钥。 -
chardet：提供自动检测字符编码的功能。 -
idna: 提供"对于RFC5891中定义的IDNA协议（Internationalised Domain Names in Applications）的支持"。 -
requests: 依赖于上面三个基础库，他主要用于根据图片链接下载图片。 -
selenium: 用于启动浏览器，爬取图片链接。 -
webdriver-manager: 用来管理selenium浏览器驱动的项目。
仔细分析别人项目，不管是源码还是依赖库都会有收获。
webdriver-manager就是我发现的一个宝藏项目，它简化的浏览器驱动的管理。
- 打开
keywords.txt文件，编写爬取的关键字。
cat
dog- 运行
main.py文件
> python main.py参数说明:
--skip true：如果下载的关键字已经存在，是否跳过关键字，重新下载时需要设置。
--threads 4： 下载使用线程数量
--google true： 从google.com 下载。
--naver true: 从naver.com 下载。
--full false: 下载全分辨率图像而不是缩略图 (慢)。
--face false: Face search mode。
--no_gui auto: 使用 GUI 模式. (headless模式) 全分辨率模式可以加速, 但是缩略图模式不稳定。 默认auto模式，如果full=false 默认使用使用GUI，如果full=true默认Headless模式。（可用于docker linux系统）。
--limit 0: 设置最大图片下载范围。 (0: 无限制)
--proxy-list: 逗号分隔的代理列表，如: socks://127.0.0.1:1080, http://127.0.0.1:1081，每个线程从列表中随即选择一个。
例如：
> python main.py --threads 2 --google true --naver false --full false --limit 50
- 爬取的图片保存于
downloads/目录。
小结
- 因为使用的是Google网站，没有的同学有点郁闷。项目本身并不复杂，两个python文件加一起不到1000行代码，我们完全可以花点时间替换为国内可访问的搜索引擎。
- 下载图片只是为了欣赏猫猫狗狗吗？当然不是，我们可用下载的图片训练 AI。
