本人长期出售超大量微博数据、旅游网站评论数据，并提供各种指定数据爬取服务，Message to YuboonaZhang@Yahoo.com。同时欢迎加入社交媒体数据交流群：99918768

前言

最近在做机器学习下的人脸识别的学习，机器学习这个东西有点暴力，很大程度上靠训练的数据量来决定效果。为了找数据，通过一个的指导，浏览了几个很知名的数据集。

几个大型数据集是通过发邮件申请进行下载，几个小型数据集直接在网页的链接下载，还有一个数据集则是提供了大量图片的链接来让我们自己写程序来下载。

权衡了数据量的需求，最后选择Pubfig的数据集，于是就自己写了一个python图片采集程序，里面用了urllib和requests两种方法.

分析提供的下载文件的特点

可以看出来这个数据集的处理其实非常简单了，可以通过readlines的方式存进列表用空格分开一下数据就可以把urls提取出来了。

处理一下urls文件

urls在文件的中后部，写个文件把它单纯地提取出来，方便使用。

pic_url = []with open('./Miley_Cyrus.txt') as f:    for i in f.readlines():        pic_url.append(i.strip('\r\n'))urls = []for s in pic_url:    _, _, _, url, _, _ = s.split()    urls.append(url)# 写入到文件里面with open('url.data', 'w') as f:    for i in urls:        f.write(i)        f.write('\n')

爬取urls图片

1. Urllibs方法

import urllib.request as requestimport socketimport os# 在同级目录新建文件夹存图片os.mkdir('./img')# 为请求增加一下头user_agent = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'headers = ('User-Agent', user_agent)opener = request.build_opener()opener.addheaders = [headers]request.install_opener(opener)# 设定一下无响应时间，防止有的坏图片长时间没办法下载下来timeout = 20socket.setdefaulttimeout(timeout)# 从文件里面读urlsurls = []with open('./url.data') as f:    for i in f.readlines():        if i != '':            urls.append(i)        else:            pass# 通过urllibs的requests获取所有的图片count = 1bad_url = []for url in urls:    url.rstrip('\n')    print(url)    try:        pic = request.urlretrieve(url, './img3/%d.jpg' % count)        print('pic %d' % count)        count += 1    except Exception as e:        print(Exception, ':', e)        bad_url.append(url)    print('\n')print('got all photos that can be got')# 把没有抓取到的urls保存起来with open('bad_url3.data', 'w') as f:    for i in bad_url:        f.write(i)        f.write('\n')    print('saved bad urls')

2. Requests方法

import requestsimport socketimport os# 在同级目录新建文件夹存图片os.mkdir('./img')# 设定一下无响应时间，防止有的坏图片长时间没办法下载下来timeout = 20socket.setdefaulttimeout(timeout)# 从文件里面读urlsurls = []with open('./url.data') as f:    for i in f.readlines():        if i != '':            urls.append(i)        else:            pass# 为请求增加一下头，获取图片user_agent = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'headers = {    'User-Agent': user_agent}bad_url = []count = 1for url in urls:    url.rstrip('\n')    print(url)    try:        pic = requests.get(url, headers=headers)        with open('./img2/%d.jpg' % count, 'wb') as f:            f.write(pic.content)            f.flush()        print('pic %d' % count)        count += 1    except Exception as e:        print(Exception, ':', e)        bad_url.append(url)    print('\n')print('got all photos that can be got')# 保存坏链接with open('bad_url.data', 'w') as f:    for i in bad_url:        f.write(i)        f.write('\n')    print('saved bad urls')

个人博客