python爬取NUS-WIDE数据库图片_Python

python爬取NUS-WIDE数据库图片

2020-09-09 09:55leo-sun Python

本文给大家分享的是使用Python制作爬虫爬取图片的小程序，非常的简单，但是很实用，有需要的小伙伴可以参考下

实验室需要NUS-WIDE数据库中的原图，数据集的地址为http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm 由于这个数据只给了每个图片的URL，所以需要一个小爬虫程序来爬取这些图片。在图片的下载过程中建议使用VPN。由于一些URL已经失效，所以会下载一些无效的图片。

				?

									# PYTHON 2.7   Ubuntu 14.04

									nuswide = "$NUS-WIDE-urls_ROOT" #the location of your nus-wide-urls.txt

									imagepath = "$IMAGE_ROOT" # path of dataset you want to download in

									f = open(nuswide, 'r')

									url = f.readlines()

									import re

									import urllib

									import os

									reg = r"ImageData.+?jpg"

									location_re = re.compile(reg)

									reg = r"(ImageData.+?)/0"

									direction_re = re.compile(reg)

									reg = r"http.+?jpg"

									image_re = re.compile(reg)

									for i in url:

									  filename = re.findall(location_re, i)

									  direction = re.findall(direction_re, i)

									  image = re.findall(image_re, i)

									  if image:

									    path = imagepath+filename[0]

									    path_n = imagepath+direction[0]

									    print path_n

									    if os.path.exists(path_n):

									      urllib.urlretrieve(image[1], path)

									    else:

									      os.makedirs(path_n)

									      urllib.urlretrieve(image[1], path)

再给大家分享一个爬取百度贴吧图片的小爬虫（你懂得）

				?

									#coding=utf-8

									#urllib模块提供了读取Web页面数据的接口

									import urllib

									#re模块主要包含了正则表达式

									import re

									#定义一个getHtml()函数

									def getHtml(url):

									  page = urllib.urlopen(url) #urllib.urlopen()方法用于打开一个URL地址

									  html = page.read() #read()方法用于读取URL上的数据

									  return html

									def getImg(html):

									  reg = r'src="(.+?\.jpg)" pic_ext'  #正则表达式，得到图片地址

									  imgre = re.compile(reg)   #re.compile() 可以把正则表达式编译成一个正则表达式对象.

									  imglist = re.findall(imgre,html)   #re.findall() 方法读取html 中包含 imgre（正则表达式）的  数据

									  #把筛选的图片地址通过for循环遍历并保存到本地

									  #核心是urllib.urlretrieve()方法,直接将远程数据下载到本地，图片通过x依次递增命名

									  x = 0

									  for imgurl in imglist:

									  urllib.urlretrieve(imgurl,'D:\E\%s.jpg' % x)

									      x+=1

									html = getHtml("http://tieba.baidu.com/p/xxxx")

									print getImg(html)