文章配图之道：如何通过爬虫抓取高质量图片

在我们写文章(博客、公众号、自媒体)的时候，常常觉得自己的文章有些老土，这很大程度是因为配图没有选好。笔者也曾遇到过相同的困扰，顺便解决其中一个案例，为大家提供一些技术上的参考和借鉴！

对于图片的选择，我们通常会遇到两种情况：非高清或者带水印。这两种情况都是我们所忌讪的东西。笔者这次通过图虫创意抓取高清小图，虽然不是大图，但在火热的移动端阅读上是足够的！

分析与解决方案

理想状态

我们的理想状态是一个网页，图片直接嵌入在html中。这种情况就像你写的博客或个人网站上的图片，简单地通过爬虫解析即可。或者通过后台AJAX传输图片地址引用。我们不清楚这种方式是否可行！

实际分析

很遗憾，理想状态难以实现。考虑到图片作为核心业务，需要注册、购买等流程，直接嵌入的想法显然不可行。那么它到底是如何实现的呢？我们来详细分析一下！

打开网页，检查图片来源发现有两个主要域名：ice 和 wel，并且编号不唯一。但我们发现相同域名不同后缀的图片地址效果相同（例如 icweiliimg9 和 icweiliimg/）。查看网页源代码发现并没有我们想要的图片地址。这意味着图片可能通过AJAX渲染，或者藏在JavaScript中进行混淆或加密。

通过分析发现，图片数据确实藏在JavaScript中。由于URL随着请求变化，返回的数据也必然不同，因此可以通过模拟请求来获取所需图片数据。接下来，我们就来详细讲述爬虫实现的过程。

爬虫实现

经过测试发现，目标网页需要进行某些验证，包括 cookies 中的 wluuid 字段（仅验证存在，不验证正确性）。因此，我们需要编写一段代码来获取网页的HTML内容。然而，图片数据藏在JavaScript中，这意味着我们只能通过正则表达式来提取所需的图片信息。

通过 BeautifulSoup 提取 JavaScript 代码片段即可获取相关信息。例如：`js = soup.select('script')[4]`。对于有用数据，只能通过正则表达式进行截取。我们可以编写一个正则表达式来提取图片地址。例如：

import refrom bs4 import BeautifulSouppattern = re.compile(r'window.hits = (\[)(.*)(\])')match = pattern.search(str(js))if match:    data = match.group(2)    # 通过处理data字符串获取图片地址    # 例如：替换所有','为',,,',然后分割    data = data.replace('}', ',', '').split(',')    # 最终得到一个包含图片地址的列表    for url in data:        # 下载图片并存储        pass

需要注意的是，图片下载时可能会遇到无名图或重复名的问题，因此建议在下载前进行编号处理。同时，两个域名的图片地址需要分别尝试下载，确保能获取到高清图片。