¿Descargar el archivo de imagen de la fuente de la página HTML usando python?
-
05-07-2019 - |
Pregunta
Estoy escribiendo un raspador que descarga todos los archivos de imagen de una página HTML y los guarda en una carpeta específica. Todas las imágenes son parte de la página HTML.
Solución
Aquí hay un código para descargar todas las imágenes de la URL suministrada y guardarlas en la carpeta de salida especificada. Puedes modificarlo a tus propias necesidades.
"""
dumpimages.py
Downloads all the images on the supplied URL, and saves them to the
specified output file ("/test/" by default)
Usage:
python dumpimages.py http://example.com/ [output]
"""
from bs4 import BeautifulSoup as bs
from urllib.request import (
urlopen, urlparse, urlunparse, urlretrieve)
import os
import sys
def main(url, out_folder="/test/"):
"""Downloads all the images at 'url' to /test/"""
soup = bs(urlopen(url))
parsed = list(urlparse(url))
for image in soup.findAll("img"):
print("Image: %(src)s" % image)
filename = image["src"].split("/")[-1]
parsed[2] = image["src"]
outpath = os.path.join(out_folder, filename)
if image["src"].lower().startswith("http"):
urlretrieve(image["src"], outpath)
else:
urlretrieve(urlunparse(parsed), outpath)
def _usage():
print("usage: python dumpimages.py http://example.com [outpath]")
if __name__ == "__main__":
url = sys.argv[-1]
out_folder = "/test/"
if not url.lower().startswith("http"):
out_folder = sys.argv[-1]
url = sys.argv[-2]
if not url.lower().startswith("http"):
_usage()
sys.exit(-1)
main(url, out_folder)
Editar: Puede especificar la carpeta de salida ahora.
Otros consejos
La solución de Ryan es buena, pero falla si las URL de origen de la imagen son URL absolutas o algo que no da un buen resultado cuando simplemente se concatena a la URL de la página principal. urljoin reconoce las URL absolutas frente a las relativas, así que reemplaza el bucle en el medio con:
for image in soup.findAll("img"):
print "Image: %(src)s" % image
image_url = urlparse.urljoin(url, image['src'])
filename = image["src"].split("/")[-1]
outpath = os.path.join(out_folder, filename)
urlretrieve(image_url, outpath)
Tienes que descargar la página y analizar el documento html, encontrar tu imagen con expresiones regulares y descargarla. Puedes usar urllib2 para descargar y Beautiful Soup para analizar el archivo html.
Y esta es la función para descargar una imagen:
def download_photo(self, img_url, filename):
file_path = "%s%s" % (DOWNLOADED_IMAGE_PATH, filename)
downloaded_image = file(file_path, "wb")
image_on_web = urllib.urlopen(img_url)
while True:
buf = image_on_web.read(65536)
if len(buf) == 0:
break
downloaded_image.write(buf)
downloaded_image.close()
image_on_web.close()
return file_path
Use htmllib para extraer todas las etiquetas img (anular do_img), luego use urllib2 para descargar todas las imágenes.
Si la solicitud necesita una autorización, refiérase a esta:
r_img = requests.get(img_url, auth=(username, password))
f = open('000000.jpg','wb')
f.write(r_img.content)
f.close()