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，没有梯子的同学有点郁闷。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，当然你也可以测试文件上传的时候用。
下面是配套资料，对于做【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴我走过了最艰难的路程，希望也能帮助到你！
最后： 可以在公众号：程序员小濠 ！ 免费领取一份216页软件测试工程师面试宝典文档资料。以及相对应的视频学习教程免费分享！，其中包括了有基础知识、Linux必备、Shell、互联网程序原理、Mysql数据库、抓包工具专题、接口测试工具、测试进阶-Python编程、Web自动化测试、APP自动化测试、接口自动化测试、测试高级持续集成、测试架构开发测试框架、性能测试、安全测试等。
如果我的博客对你有帮助、如果你喜欢我的博客内容，请 “点赞” “评论” “收藏” 一键三连哦！喜欢软件测试的小伙伴们，可以加入我们的测试技术交流扣扣群：310357728里面有各种软件测试资源和技术讨论）