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

  1. 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 ...

  2. 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/ ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. [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 ...

  7. 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 ...

  8. 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=& ...

  9. [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] ...

  10. 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

  1. 学习js第三天小结

    1.冒泡排序分析: 例:将数组[9,8,7,6,5,4,3,2,1,0]按照从小打大的顺序进行冒泡排序. 演变过程: 第一趟: 8,7,6,5,4,3,2,1,0,9    比较了9次: 第二趟: 7 ...

  2. EventBus的使用;消息传递之EventBus;

    EventBus传递消息(数据)和广播有点像,对广播传递数据有兴趣的可以看一下:Android数据传递,使用广播BroadcastReceiver: 1.添加build.gradle implemen ...

  3. c# 枚举的定义,枚举的用法,获取枚举值

    1.定义枚举类型 public enum Test { 男 = , 女 = } 2.获取枚举值 public void EnumsAction() { var s = Test.男;//男 var a ...

  4. 零基础学习python_easygui(35课)

    今天学习的内容我觉得还是很有意思的,当然我主要也是从这个网址学的:http://bbs.fishc.com/thread-46069-1-1.html,大家可以直接看这个网址进行学习,当然也可以看看我 ...

  5. 详解CSS3属性前缀(转)

    原文地址 CSS3的属性为什么要带前缀 使用过CSS3属性的同学都知道,CSS3属性都需要带各浏览器的前缀,甚至到现在,依然还有很多属性需要带前缀.这是为什么呢? 我的理解是,浏览器厂商以前就一直在实 ...

  6. js中的面向对象--类似于类的概念

    创建对象的几种常用方式 1.使用Object或对象字面量创建对象 2.工厂模式创建对象 3.构造函数模式创建对象 4.原型模式创建对象 1.使用Object或对象字面量创建对象 使用object va ...

  7. 4. Tomcat内存溢出解决

    1.  java.lang.OutOfMemoryError: PermGen space a.如果tomcat是以bat方式启动的,则如下设置: 修改TOMCAT_HOME/bin/catalina ...

  8. Redis 常见配置

  9. 在IAR调用Notepad++

    之前写过在keil调用Notepad++,这次讲一下怎么在IAR调用Notepad++. 好了上步骤: 打开IAR软件,选择‘Tools’-->'Configure Tools' 2.如下图,在 ...

  10. UICollectionView自定义cell布局layout

    写一个类继承UICollectionViewLayout,这个类需要提供一个数组来标识各个cell的属性信息,包括位置,size大小,返回一个UICollectionViewLayoutAttribu ...