Baixar arquivo de imagem a partir do código fonte da página HTML usando python?
-
05-07-2019 - |
Pergunta
Eu estou escrevendo um raspador que baixa todos os arquivos de imagem de uma página HTML e salva-los para uma pasta específica. todas as imagens são a parte da página HTML.
Solução
Aqui está um código para baixar todas as imagens a partir do URL fornecido, e guardá-los na pasta de saída especificado. Você pode modificá-lo às suas próprias necessidades.
"""
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:. Você pode especificar a pasta de saída agora
Outras dicas
A solução de Ryan é bom, mas falha se os URLs de origem da imagem são URLs absolutos ou qualquer coisa que não dão um resultado bom quando simplesmente concatenado com o principal URL da página. urljoin reconhece URLs relativos versus absolutos, então substituir o laço no meio com:
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)
Você tem que baixar a página e analisar HTML documento, encontrar a sua imagem com regex e baixá-lo .. Você pode usar urllib2 para download e Beautiful Soup para análise html arquivo.
E esta é a função de download de imagem um para:
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 extrair todas as tags img (override do_img), então use urllib2 para baixar todas as imagens.
Se a necessidade do pedido de autorização referem-se a esta:
r_img = requests.get(img_url, auth=(username, password))
f = open('000000.jpg','wb')
f.write(r_img.content)
f.close()