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。。。