目錄
- 一、百度 AI 開放平臺的 Key 申請方法
- 二、抓取貼吧表情包
- 三、使用 Baidu-aip
本文先抓取網(wǎng)絡(luò)上的表情圖像，然后利用百度 AI 識別表情包上的說明文字，并利用表情文字重命名文件，這樣當(dāng)發(fā)表情包時，不需要逐個打開查找，直接根據(jù)文件名選擇表情并發(fā)送。
一、百度 AI 開放平臺的 Key 申請方法
本例使用了百度 AI 的 API 接口實現(xiàn)文字識別。因此需要先申請對應(yīng)的 API 使用權(quán)限，具體步驟如下：
在網(wǎng)頁瀏覽器(比如 Chrome 或者火狐) 的地址欄中輸入 ai.baidu.com，進入到百度云 AI 的官網(wǎng)，在該頁面中單擊右上角的 控制臺 按鈕。
進入到百度云 AI 官網(wǎng)的登錄頁面，輸入百度賬號和密碼，如果沒有，可以單擊 立即注冊 超鏈接進行注冊申請。
登錄成功后，進入到百度云 AI 官網(wǎng)的控制臺頁面，單擊左側(cè)導(dǎo)航的 產(chǎn)品服務(wù)，展開列表，在列表的最右側(cè)下方看到有 人工智能 的分類，然后選擇 圖像識別，或者直接選擇 文字識別，如下圖所示。
進入圖像識別一概覽 頁面，要使用百度云 AI 的 API，首先需要申請權(quán)限，申請權(quán)限之前需要先創(chuàng)建自己的應(yīng)用，因此單擊 創(chuàng)建應(yīng)用按鈕，如下圖所示。
進入到 創(chuàng)建應(yīng)用 頁面，該頁面中需要輸入應(yīng)用的名稱，選擇應(yīng)用類型，并選擇接口，注意：這里的接口可以多選擇一些，把后期可能用到的接口全部選擇上，這樣，在開發(fā)其他實例時，就可以直接使用了；選擇完接口后，選擇文字識別包名，這里選擇 不需要，輸入應(yīng)用描述，單擊 立即創(chuàng)建 按鈕，如下圖所示。
創(chuàng)建完成后，單擊 返回應(yīng)用列表 按鈕，頁面跳轉(zhuǎn)到應(yīng)用列表頁面，在該頁面中即可查看創(chuàng)建的應(yīng)用，以及百度云自動為您分配的 AppID，API Key，Secret Key，這些值根據(jù)應(yīng)用的不同而不同，因此一定要保存好，以便開發(fā)時使用。
二、抓取貼吧表情包
本例在百度貼吧中找到了一些自制的表情包：https://tieba.baidu.com/p/5522091060
現(xiàn)在想把圖片都爬下來，具體操作步驟如下：
Network 抓包看下返回的數(shù)據(jù)是否和 Element 一致，即是否包含想要的數(shù)據(jù)，而不是通過 JS 黑魔法進行加載的。復(fù)制下第一個圖的圖片鏈接，到 Network 選項卡里的 Response 里查找一下。
在 Network 抓包中沒有發(fā)現(xiàn) Ajax 動態(tài)加載數(shù)據(jù)的蹤跡。
點擊第二頁，抓包發(fā)現(xiàn)了 Ajax 加載的痕跡。
以第一個圖的 url 搜下，同樣可以找到。
三個參數(shù)猜測 pn 為 page_number，即頁數(shù)，postman 或者自己寫代碼模擬請求，記得塞入 Host 和 X-Requested-With，驗證 pn=1 是否為第一頁數(shù)據(jù)，驗證通過，即所有頁面數(shù)據(jù)都可以通過這個接口拿到。
先加載拿到末頁是第幾頁，然后走一波循環(huán)遍歷即可解析數(shù)據(jù)獲得圖片 url，寫入文件，使用多個線程進行下載，詳細代碼如下。
# 抓取百度貼吧某個帖子里的所有圖片
import requests
import time
import threading
import queue
from bs4 import BeautifulSoup
import chardet
import os
tiezi_url = "https://tieba.baidu.com/p/5522091060"
headers = {
'Host': 'tieba.baidu.com',
'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KH'
'TML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
}
pic_save_dir = 'tiezi_pic/'
if not os.path.exists(pic_save_dir): # 判斷文件夾是否存在，不存在就創(chuàng)建
os.makedirs(pic_save_dir)
pic_urls_file = 'tiezi_pic_urls.txt'
download_q = queue.Queue() # 下載隊列
# 獲得頁數(shù)
def get_page_count():
try:
resp = requests.get(tiezi_url, headers=headers, timeout=5)
if resp is not None:
resp.encoding = chardet.detect(resp.content)['encoding']
html = resp.text
soup = BeautifulSoup(html, 'lxml')
a_s = soup.find("ul", attrs={'class': 'l_posts_num'}).findAll("a")
for a in a_s:
if a.get_text() == '尾頁':
return a['href'].split('=')[1]
except Exception as e:
print(str(e))
# 下載線程
class PicSpider(threading.Thread):
def __init__(self, t_name, func):
self.func = func
threading.Thread.__init__(self, name=t_name)
def run(self):
self.func()
# 獲得每頁里的所有圖片URL
def get_pics(count):
params = {
'pn': count,
'ajax': '1',
't': int(time.time())
}
try:
resp = requests.get(tiezi_url, headers=headers, timeout=5, params=params)
if resp is not None:
resp.encoding = chardet.detect(resp.content)['encoding']
html = resp.text
soup = BeautifulSoup(html, 'lxml')
imgs = soup.findAll('img', attrs={'class': 'BDE_Image'})
for img in imgs:
print(img['src'])
with open(pic_urls_file, 'a') as fout:
fout.write(img['src'])
fout.write('\n')
return None
except Exception:
pass
# 下載線程調(diào)用的方法
def down_pics():
global download_q
while not download_q.empty():
data = download_q.get()
download_pic(data)
download_q.task_done()
# 下載調(diào)用的方法
def download_pic(img_url):
try:
resp = requests.get(img_url, headers=headers, timeout=10)
if resp.status_code == 200:
print("下載圖片:" + img_url)
pic_name = img_url.split("/")[-1][0:-1]
with open(pic_save_dir + pic_name, "wb+") as f:
f.write(resp.content)
except Exception as e:
print(e)
if __name__ == '__main__':
print("檢索判斷鏈接文件是否存在：")
if not os.path.exists(pic_urls_file):
print("不存在，開始解析帖子...")
page_count = get_page_count()
if page_count is not None:
headers['X-Requested-With'] = 'XMLHttpRequest'
for page in range(1, int(page_count) + 1):
get_pics(page)
print("鏈接已解析完畢！")
headers.pop('X-Requested-With')
else:
print("存在")
print("開始下載圖片~~~~")
headers['Host'] = 'imgsa.baidu.com'
fo = open(pic_urls_file, "r")
pic_list = fo.readlines()
threads = []
for pic in pic_list:
download_q.put(pic)
for i in range(0, len(pic_list)):
t = PicSpider(t_name='線程' + str(i), func=down_pics)
t.daemon = True
t.start()
threads.append(t)
download_q.join()
for t in threads:
t.join()
print("圖片下載完畢")
運行結(jié)果：
下面通過 OCR 文字識別技術(shù)，直接把表情里的文字提出來，然后來命名圖片，這樣就可以直接文件搜索表情關(guān)鍵字，可以快速找到需要的表情圖片。使用谷歌的 OCR 文字識別引擎：Tesseract，對于此類大圖片小文字，不太適合，識別率太低，甚至無法識別，這時使用百度云 OCR 比較合適，它能夠自動定位到圖片中具體位置，并找出圖片中所有的文字。
三、使用 Baidu-aip
申請百度 AI 的應(yīng)用 key 之后，就可以在本地系統(tǒng)中安裝 Baidu-aip，代碼如下：
先識別一張圖片，看看效果如何：
from aip import AipOcr
# 新建一個AipOcr對象
config = {
'appId': '填寫自己的appId',
'apiKey': '填寫自己的apiKey',
'secretKey': '填寫自己的secretKey'
}
client = AipOcr(**config)
# 識別圖片里的文字
def img_to_str(image_path):
# 讀取圖片
with open(image_path, 'rb') as fp:
image = fp.read()
# 調(diào)用通用文字識別, 圖片參數(shù)為本地圖片
result = client.basicGeneral(image)
# 返回拼接結(jié)果
if 'words_result' in result:
return '\n'.join([w['words'] for w in result['words_result']])
if __name__ == '__main__':
print(img_to_str('tiezi_pic/5c0ddb1e4134970aebd593e29ecad1c8a5865dbd.jpg'))
運行程序，結(jié)果如下圖所示：
百度 AI 返回的是一個 JSON 格式數(shù)據(jù)，如下所示。返回一個字典對象，包含 log_id、words_result_num、words_result 三個鍵，其中 words_result_num 表示識別的文本行數(shù)，words_result 是一個列表，每個列表項目記錄一條識別的文本，每個項目返回一個字典對象，包含 words 鍵，words 表示識別的文本。
{'words_result': [{'words': 'o。o'}, {'words': '6226-16:59'}, {'words': '絕望jpg'}], 'log_id': 1393611954748129280, 'words_result_num': 3}
o。o
6226-16:59
絕望jpg
由于每個圖片中可能包含很多文字信息，如水印的日期文字，以及個別特殊的文字符號被誤解析，我們需要提出的是漢字或字母信息，同時可能會包含多條漢字信息，本例選擇漢字或字母最長的一條來命名文件。完整的示例代碼如下：
# 識別圖片文字，批量命名圖片文字
import os
from aip import AipOcr
import re
import datetime
# 新建一個AipOcr對象
config = {
'appId': '填寫自己的appId',
'apiKey': '填寫自己的apiKey',
'secretKey': '填寫自己的secretKey'
}
client = AipOcr(**config)
pic_dir = r"tiezi_pic/"
# 讀取圖片
def get_file_content(file_path):
with open(file_path, 'rb') as fp:
return fp.read()
# 識別圖片里的文字
def img_to_str(image_path):
image = get_file_content(image_path)
# 調(diào)用通用文字識別, 圖片參數(shù)為本地圖片
result = client.basicGeneral(image)
# 結(jié)果拼接返回
words_list = []
if 'words_result' in result:
if len(result['words_result']) > 0:
for w in result['words_result']:
words_list.append(w['words'])
file_name = get_longest_str(words_list)
print(file_name)
file_dir_name = pic_dir + str(file_name).replace("/", "") + '.jpg'
if os.path.exists(file_dir_name): # 處理文件重名問題
sec = datetime.datetime.now().microsecond # 獲取當(dāng)前毫秒時值
file_dir_name = pic_dir + str(file_name).replace("/", "") + str(sec) + '.jpg'
try:
os.rename(image_path, file_dir_name)
except Exception:
print(" 重命名失敗：", image_path, " => ", file_name)
# 獲取字符串列表中最長的字符串
def get_longest_str(str_list):
pat = re.compile(r'[\u4e00-\u9fa5A-Za-z]+')
str = max(str_list, key=hanzi_len)
result = pat.findall(str)
return ''.join(result)
def hanzi_len(item):
pat = re.compile(r'[\u4e00-\u9fa5]+')
sum = 0
for i in item:
if pat.search(i):
sum += 1
return sum
# 遍歷某個文件夾下所有圖片
def query_picture(dir_path):
pic_path_list = []
for filename in os.listdir(dir_path):
pic_path_list.append(dir_path + filename)
return pic_path_list
if __name__ == '__main__':
pic_list = query_picture(pic_dir)
if len(pic_list) > 0:
for i in pic_list:
img_to_str(i)
運行程序，結(jié)果如下圖所示：
到此這篇關(guān)于Python基于百度AI實現(xiàn)抓取表情包的文章就介紹到這了,更多相關(guān)Python 抓取表情包內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python模擬登錄微博并爬取表情包
- Python實現(xiàn)微信表情包炸群功能
- Python基礎(chǔ)進階之海量表情包多線程爬蟲功能的實現(xiàn)
- Python自動生產(chǎn)表情包
- python實戰(zhàn)之制作表情包游戲
