上一节:
下一节:

  Python 网页抓取处理图像和视频

  • 简述

    网络抓取通常涉及下载、存储和处理网络媒体内容。在本章中，让我们了解如何处理从 Web 下载的内容。

  • 介绍

    我们在抓取过程中获取的网络媒体内容可以是图像、音频和视频文件，也可以是非网页形式的，也可以是数据文件。但是，我们可以信任下载的数据，尤其是我们要下载并存储在计算机内存中的数据扩展吗？这使得了解我们将在本地存储的数据类型变得至关重要。

  • 从网页获取媒体内容

    在本节中，我们将学习如何根据来自 Web 服务器的信息下载正确表示媒体类型的媒体内容。我们可以在 Python 的帮助下做到这一点requests模块，就像我们在上一章中所做的那样。
    首先，我们需要导入必要的 Python 模块，如下所示 - 
    
import requests
    现在，提供我们要在本地下载和存储的媒体内容的 URL。 
    
url = "https://authoraditiagarwal.com/wpcontent/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg"
    使用以下代码创建 HTTP 响应对象。 
    
r = requests.get(url)
    借助以下代码行，我们可以将接收到的内容保存为 .png 文件。 
    
with open("ThinkBig.png",'wb') as f:
   f.write(r.content)
    运行上述 Python 脚本后，我们将获得一个名为 ThinkBig.png 的文件，其中包含下载的图像。

  • 从 URL 中提取文件名

    从网站下载内容后，我们还希望将其保存在一个文件中，文件名可以在 URL 中找到。但我们也可以检查 URL 中是否还存在许多额外的片段。为此，我们需要从 URL 中找到实际的文件名。
    在以下 Python 脚本的帮助下，使用urlparse，我们可以从 URL 中提取文件名 - 
    
import urllib3
import os
url = "https://authoraditiagarwal.com/wpcontent/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg"
a = urlparse(url)
a.path
    您可以观察输出，如下所示 - 
    
'/wp-content/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg'
os.path.basename(a.path)
    您可以观察输出，如下所示 - 
    
'MetaSlider_ThinkBig-1080x180.jpg'
    运行上述脚本后，我们将从 URL 获取文件名。

  • 有关来自 URL 的内容类型的信息

    在从 web 服务器中提取内容的同时，通过 GET 请求，我们还可以查看 web 服务器提供的信息。借助以下 Python 脚本，我们可以确定 Web 服务器对内容类型的含义 -
    首先，我们需要导入必要的 Python 模块，如下所示 - 
    
import requests
    现在，我们需要提供要在本地下载和存储的媒体内容的 URL。 
    
url = "https://authoraditiagarwal.com/wpcontent/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg"
    以下代码行将创建 HTTP 响应对象。 
    
r = requests.get(url, allow_redirects=True)
    现在，我们可以得到 Web 服务器可以提供哪些类型的内容信息。 
    
for headers in r.headers: print(headers)
    您可以观察输出，如下所示 - 
    
Date
Server
Upgrade
Connection
Last-Modified
Accept-Ranges
Content-Length
Keep-Moove
Content-Type
    借助以下代码行，我们可以获得有关内容类型的特定信息，例如内容类型 - 
    
print (r.headers.get('content-type'))
    您可以观察输出，如下所示 - 
    
image/jpeg
    借助以下代码行，我们可以获得有关内容类型的特定信息，例如 EType - 
    
print (r.headers.get('ETag'))
    您可以观察输出，如下所示 - 
    
None
    观察以下命令 - 
    
print (r.headers.get('content-length'))
    您可以观察输出，如下所示 - 
    
12636
    借助以下代码行，我们可以获得有关内容类型的特定信息，例如服务器 - 
    
print (r.headers.get('Server'))
    您可以观察输出，如下所示 - 
    
Apache

  • 为图像生成缩略图

    缩略图是一个非常小的描述或表示。用户可能希望只保存大图像的缩略图或同时保存图像和缩略图。在本节中，我们将创建名为的图像的缩略图ThinkBig.png在上一节“从网页获取媒体内容”中下载。
    对于这个 Python 脚本，我们需要安装名为 Pillow 的 Python 库，它是 Python Image 库的一个分支，具有用于处理图像的有用功能。它可以在以下命令的帮助下安装 - 
    
pip install pillow
    以下 Python 脚本将创建图像的缩略图，并通过在缩略图文件前加上前缀将其保存到当前目录Th_ 
    
import glob
from PIL import Image
for infile in glob.glob("ThinkBig.png"):
   img = Image.open(infile)
   img.thumbnail((128, 128), Image.ANTIALIAS)
   if infile[0:2] != "Th_":
      img.save("Th_" + infile, "png")
    上面的代码很容易理解，可以查看当前目录下的缩略图文件。

  • 网站截图

    在网页抓取中，一个非常常见的任务是截取网站的屏幕截图。为了实现这一点，我们将使用 selenium 和 webdriver。以下 Python 脚本将从网站截取屏幕截图并将其保存到当前目录。 
    
From selenium import webdriver
path = r'C:\\Users\\gaurav\\Desktop\\Chromedriver'
browser = webdriver.Chrome(executable_path = path)
browser.get('https://cainiaoya.com/')
screenshot = browser.save_screenshot('screenshot.png')
browser.quit
    您可以观察输出，如下所示 - 
    
DevTools listening on ws://127.0.0.1:1456/devtools/browser/488ed704-9f1b-44f0-
a571-892dc4c90eb7
<bound method WebDriver.quit of <selenium.webdriver.chrome.webdriver.WebDriver
(session="37e8e440e2f7807ef41ca7aa20ce7c97")>>
    运行脚本后，您可以检查当前目录screenshot.png文件。

  • 视频缩略图生成

    假设我们从网站下载了视频，并希望为它们生成缩略图，以便可以根据其缩略图单击特定视频。为了为视频生成缩略图，我们需要一个名为的简单工具ffmpeg可以从那里下载www.ffmpeg.org. 下载后，我们需要按照我们操作系统的规格进行安装。
    以下 Python 脚本将生成视频的缩略图并将其保存到我们的本地目录 - 
    
import subprocess
video_MP4_file = “C:\Users\gaurav\desktop\solar.mp4
thumbnail_image_file = 'thumbnail_solar_video.jpg'
subprocess.call(['ffmpeg', '-i', video_MP4_file, '-ss', '00:00:20.000', '-
   vframes', '1', thumbnail_image_file, "-y"])
    运行上面的脚本后，我们会得到一个名为的缩略图thumbnail_solar_video.jpg保存在我们的本地目录中。

  • 将 MP4 视频翻录为 MP3

    假设您从网站下载了一些视频文件，但您只需要该文件中的音频来满足您的目的，那么可以借助名为的 Python 库在 Python 中完成moviepy可以在以下命令的帮助下安装 - 
    
pip install moviepy
    现在，在以下脚本的帮助下成功安装 moviepy 后，我们可以将 MP4 转换为 MP3。 
    
import moviepy.editor as mp
clip = mp.VideoFileClip(r"C:\Users\gaurav\Desktop\1234.mp4")
clip.audio.write_audiofile("movie_audio.mp3")
    您可以观察输出，如下所示 - 
    
[MoviePy] Writing audio in movie_audio.mp3
100%|¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 674/674 [00:01<00:00,
476.30it/s]
[MoviePy] Done.
    上述脚本会将音频 MP3 文件保存在本地目录中。
上一节:
下一节: