当前位置: 首页 > 工具软件 > src2png > 使用案例 >

python爬取图片链接标签的src属性值_python爬取图片遇见src乱码: data:image/png;base64...

左恺
2023-12-01

python爬取图片遇见src乱码: data:image/png;base64

向爬取自己喜欢的图片,但是在爬取下来的代码当中图片的src会出现乱码的情况:data:image/png;base64。搞了我好长时间,试过伪装headers,也试过通过修改网页js的内容来让img的src显示出来,也试过修改div的display属性,但是全部都没用,最后了解了才知道,这是Data URI scheme。

一:Data URI scheme:

目的是将一些小的数据,直接嵌入到网页中,从而不用再从外部文件载入。比如上面那串字符,其实是一张小图片,将这些字符复制黏贴到火狐的地址栏中并转到,就能看到它了,一张1X36的白灰png图片

数据分类:data表示取得数据的协定名称,image/png 是数据类型名称,base64 是数据的编码方法,逗号后面就是这个image/png文件base64编码后的数据

这样写的好处(对我这种萌新来说简直灾难):图像文件的内容直接写在了HTML 文件中,节省了一个HTTP 请求。

二:使用python爬取解决的方法

解决思路:

它就是普通的  属性值。使用你的能够解析 html 的解析器,找到 image element,取得它的 src 属性值,将base64 格式的字符串转为 byte[ ],然后放到 MemoryStream 中供 Image 控件读取,画出图片。(如果只是输出,得到 byte[ ] 数据结构即可)

举例:

string txt = @"data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAIQAAAARCAMAAAArMfRlAAAABGdBTUEAALGPC/xhBQAAACBjSFJNAAB6J";

var tmpArr= txt.Split(',');

byte[] bytes= Convert.FromBase64String(tmpArr[1]);

using (MemoryStream ms=new MemoryStream(bytes))

{

ms.Write(bytes, 0, bytes.Length);

var img=Image.FromStream(ms, true);

img.Save("demo.png");

}

爬取图片的时候,使用python中的bs64来编码Data URI:

#使用BeautifulSoup来获取对应的标签的属性值:使用点get,里面再加一个属性值的字符串就好了,ok

strings=str(bs.find(name="img",attrs={"class":"comicimg"}).get('src'))#解码bs64格式的Data URI

'''1.pip导入base64的包,这个不用pip下载,pycharm自带

2.将src的前面编码方式和后面的码分离出来,两者使用逗号相连,而且只有一个

3.使用b64decode编码器编译,并储存到字符节数组data里面

4.将其字符集写入文件当中,就会生成所需要的文件(为什么导出来的图片是白板??)'''head1,encode=strings.split(',',1)

data=b64decode(encode)

with open("image_src.png","wb") as f:

f.write(data)

f.close()

注意:本人暂时还没有成功。。。。。。待续。。。

 类似资料: