google image
google图片抓取
google图片是base64加密的,而且base64后的信息放在script信息里面
import pymysql
from lxml import etree
import logging
import requests
import time
import threading
from threading import RLock
import re
import os lock = RLock()
import base64
import ssl ssl._create_default_https_context = ssl._create_unverified_context # 添加日志 logging.basicConfig(
level=logging.INFO, # 定义输出到文件的log级别,大于此级别的都被输出
format='%(asctime)s %(filename)s %(levelname)s : %(message)s', # 定义输出log的格式
datefmt='%Y-%m-%d %H:%M:%S', # 时间
filename='drugimagesError.log', # log文件名
filemode='a') # 写入模式“w”或“a” class google_images(object): def __init__(self):
self.strat_record = 1
self.end_record = 10000001
self.db = pymysql.connect(host='localhost', port=3306, database='yao_zhi', user='root', password='root',
charset='utf8')
self.cursor = self.db.cursor()
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"} while True:
self.parse_page() def parse_page(self):
lock.acquire()
num = self.cursor.execute(
"select id, me_pizhunwenhao, me_name, me_jixing, me_key from guo_cai_jin_kou_yao_pin where id > {} limit 1000".format(
self.strat_record))
lock.release()
if str(num) == str(0):
exit() data_tuple = self.cursor.fetchall()
threading_list = []
for data_one in data_tuple:
id = data_one[0]
approvalNumber = data_one[1]
drugName = data_one[2]
dosageForm = data_one[3]
try:
specifications = re.findall(r".+?,", data_one[4])[0]
except:
specifications = data_one[4]
self.strat_record = id
logging.info("id:%s approvalNumber:%s drugName:%s dosageForm:%s specifications:%s" % (
id, approvalNumber, drugName, dosageForm, specifications))
print("id:%s approvalNumber:%s drugName:%s dosageForm:%s specifications:%s" % (
id, approvalNumber, drugName, dosageForm, specifications)) if str(id) == str(self.end_record):
exit()
lock.acquire()
num = self.cursor.execute("select id from drugimages where approvalNumber = '{}' ".format(approvalNumber))
lock.release()
if not num:
t = threading.Thread(target=self.parse_page_data,
args=(id, approvalNumber, drugName, dosageForm, specifications,))
t.start()
threading_list.append(t)
time.sleep(3) for t_one in threading_list:
t_one.join() def parse_page_data(self, id, approvalNumber, drugName, dosageForm, specifications):
print("id:%s approvalNumber:%s drugName:%s specifications:%s" % (
id, approvalNumber, drugName, specifications))
keyword = drugName + ' ' + dosageForm + ' ' + specifications
url = 'https://www.google.com/search?biw=1920&bih=900&tbm=isch&q=%s' % keyword
print(url)
data_particular = etree.HTML(requests.get(url=url, headers=self.headers).content)
images_list = data_particular.xpath('//span[@id="xjs"]/script/text()')[0]
images_list_link = re.findall(r'data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD.*"\]?', images_list) num = 0
for link in images_list_link:
num += 1
url_link = link.replace('"]', '')
image = url_link.encode('utf-8').decode('unicode_escape')
image_data = image.replace('data:image/jpeg;base64,', '')
drugsql = "insert into drugimages(approvalNumber, drugName, specifications, image, num, durgid) values('{}', '{}', '{}', '{}', {}, {})"
drugsql_data = drugsql.format(approvalNumber, drugName, specifications, image, int(num), int(id))
print('sql_data:%s' % drugsql_data)
logging.info("id:%s approvalNumber:%s drugName:%s specifications:%s" % (
id, approvalNumber, drugName, specifications))
lock.acquire()
self.cursor.execute(drugsql_data)
self.db.commit()
lock.release()
pic_content = base64.b64decode(image_data)
page_id = int(id / 1000)
file = './images/' + 'page' + str(page_id) + '/'
if not os.path.exists(file):
os.makedirs(file)
files = file + 'id' + str(id) + '/'
if not os.path.exists(files):
os.makedirs(files)
file = open(files + str(approvalNumber) + '-' + str(num) + '.jpg', 'wb')
file.write(pic_content)
file.close()
if str(num) == str(30):
break if __name__ == '__main__':
google_images()
google image的更多相关文章
- Linux 利用Google Authenticator实现ssh登录双因素认证
1.介绍 双因素认证:双因素身份认证就是通过你所知道再加上你所能拥有的这二个要素组合到一起才能发挥作用的身份认证系统.双因素认证是一种采用时间同步技术的系统,采用了基于时间.事件和密钥三变量而产生的一 ...
- linux上使用google身份验证器(简版)
系统:centos6.6 下载google身份验证包google-authenticator-master(其实只是一个.zip文件,在windwos下解压,然后传进linux) #cd /data/ ...
- Google软件构建工具Bazel原理及使用方法介绍
近期,Google开源了强大的自动化构建工具Bazel. 正好博主近期在使用china版的Bazel--腾讯自主开发的Blade,所以准备跟大家分享一下Google Bazel这个分布式构建系统的原理 ...
- Google Java编程库Guava介绍
本系列想介绍下Java下开源的优秀编程库--Guava[ˈgwɑːvə].它包含了Google在Java项目中使用一些核心库,包含集合(Collections),缓存(Caching),并发编程库(C ...
- 序列化笔记之一:Google的Protocol Buffer格式分析
从公开介绍来看,ProtocolBuffer(PB)是google 的一种数据交换的格式,它独立于语言,独立于平台.作为一个学了多年通信的人,ProtocolBuffer在我看来是一种信源编码.所谓信 ...
- [异常解决] How make ubuntu use Google Search
1.Download the hosts file fromhttps://laod.cn/hosts/2016-google-hosts.html [1] 2.Write a bash shell ...
- Google翻译之路
如何将整个网站都翻译成某种语言,想必大家都有碰到这样的问题吧. 如果能够访问Google的话, 那这个太容易不过了. 来看,下面的就是Google提供的直接翻译某个网站. http://transla ...
- 使用google 语言 api 来实现整个网站的翻译
---恢复内容开始--- 使用google 语言 api 来实现整个网站的翻译,这时我们可以利用免费的google api来做处理来实现多语言的功能. 放在 HTML 文件中 <div id=& ...
- [转载]Google Guava官方教程(中文版)
原文链接 译文链接 译者: 沈义扬,罗立树,何一昕,武祖 校对:方腾飞 引言 Guava工程包含了若干被Google的 Java项目广泛依赖 的核心库,例如:集合 [collections] ...
- fir.im Weekly - 聊聊 Google 开发者大会
中国互联网的三大错觉:索尼倒闭,诺基亚崛起,谷歌重返中国.12月8日,2016 Google 开发者大会正式发布了Google Developers 中国网站 ,包含了Android Develope ...
随机推荐
- 基于centos7的真实机环境下安装 vmware workstastion
通常我们在在虚拟机里面搭建大数据集群,如果我们换在真实机里面搭建大数据集群的话, 我们的每一台电脑就是centos系统了,这个时候如果我们需要按vmware 软件的话我们就需要下载不同的版本了 废话不 ...
- Java 6- Java 运算符
计算机的最基本用途之一就是执行数学运算,作为一门计算机语言,Java也提供了一套丰富的运算符来操纵变量.我们可以把运算符分成以下几组: 算术运算符 关系运算符 位运算符 逻辑运算符 赋值运算符 其他运 ...
- Build path specifies execution environment J2SE-1.5. There are no JREs installed in the workspace that are strictly compatible with this environment.
错误信息: Description Resource Path Location TypeBuild path specifies execution environment J2SE-1.5. Th ...
- Java压缩图片的实现类
package com.function; import java.awt.geom.AffineTransform; import java.awt.image.AffineTransformOp; ...
- LeetCode 12. Integer to RomanLeetCode
整数转罗马数字 first submission import math class Solution: def __init__(self): self.roman={1:'I',5:'V',10: ...
- Nop常用知识点
1.列表标题与内容均居中对齐,列中配置为: headerAttributes: { style: "text-align:center" }, attributes: { styl ...
- .Net 上传文件和下载文件
一.上传文件 1.普通的form表单提交 注意点: 请求方式必须为Post. form表单里必须设置enctype属性(enctype = "multipart/form-data" ...
- 【3-28】JavaScript的DOM操作
一.定义:DOM是一种用于HTML和XML文档的编程接口. 二.Windows对象操作: (一)Window.open(URL,name,features,replace) 1.URL;页面地址 2. ...
- Mapper的.xml文件的delete的参数问题
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE mapper PUBLIC "-// ...
- 白鹭引擎 - 事件机制 ( Event, addEventListener, dispatchEvent )
1, 自定义事件, MyEvent class MyEvent extends egret.Event { /** * 一般会定义一个 DATA 字段作为事件 * 绑定事件监听器时, 一般用 类.DA ...