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

我们在抓取过程中获得的网络媒体内容可以是图像,音频和视频文件,以及非网页形式的数据文件。但是,我们能否信任下载的数据,尤其是我们将要下载并存储在计算机内存中的数据扩展名?这使得了解我们将要本地存储的数据类型至关重要。

从网页获取内容

在本节中,我们将学习如何下载基于Web服务器信息正确表示媒体类型的媒体内容,我们可以像上一章一样借助Python requests 模块来做到这一点。

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,我们可以将收到的内容另存为.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的图片文件。

链接:https://www.learnfk.com/article-python_web_scraping/python_web_scraping_processing_images_and_videos

来源:LearnFk无涯教程网

URL提取文件名

从网站上下载内容后,我们还希望将其保存在URL中找到文件名的文件中,但是我们也可以检查URL中是否也存在其他片段。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

您可以观察到如下所示的输出-

无涯教程网

'/wp-content/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg'
os.path.basename(a.path)

您可以观察到如下所示的输出-

无涯教程网

'MetaSlider_ThinkBig-1080x180.jpg'

运行上述脚本后,我们将从URL中获取文件名。

URL内容类型

从Web服务器提取内容时,通过GET请求,我们还可以检查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,我们需要提供要下载并在本地存储的媒体内容的URL。

url="https://authoraditiagarwal.com/wpcontent/uploads/2018/05/MetaSlider_ThinkBig-1080x180.jpg"

下面的代码行将创建HTTP响应对象。

r=requests.get(url, allow_redirects=True)

现在,我们可以获得Web服务器可以提供的有关内容的信息类型。

for headers in r.headers: print(headers)

您可以观察到如下所示的输出-

无涯教程网

Date
Server
Upgrade
Connection
Last-Modified
Accept-Ranges
Content-Length
Keep-Alive
Content-Type

在以下代码行的帮助下,我们可以获得有关内容类型的特定信息,如content-type-

print (r.headers.get('content-type'))

您可以观察到如下所示的输出-

无涯教程网

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,如EType-

print (r.headers.get('ETag'))

您可以观察到如下所示的输出-

无涯教程网

None

遵守以下命令-

print (r.headers.get('content-length'))

您可以观察到如下所示的输出-

无涯教程网

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,如Server-

print (r.headers.get('Server'))

您可以观察到如下所示的输出-

无涯教程网

Apache

生成缩略图

缩略图是非常小的描述或表示。用户可能只想保存大图像的缩略图,或者既保存图像又保存缩略图。在本节中,我们将创建上一节"从网页获取媒体内容"中下载的名为 ThinkBig.png 的图像的缩略图。

对于此Python脚本,我们需要安装名为Pillow的Python库,该库是Python Image库的一个分支,具有处理图像的有用函数。

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添加 Th _ 来将其保存到当前目录中。

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,您可以检查当前目录中的缩略图文件。

网站截图

在网页抓取,一个很常见的任务是,以一个网站的截图。为了实现这一点,我们将使用selenium的webdriver。下面的Python脚本会从网站截图,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://learnfk.com/')
screenshot=browser.save_screenshot('screenshot.png')
browser.quit

您可以观察到如下所示的输出-

无涯教程网

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,您可以在当前目录中检查 screenshot.png 文件。

视频缩略图

假设我们已从网站下载了视频,并希望为其生成缩略图,以便可以单击基于其缩略图的特定视频。要为视频生成缩略图,我们需要一个名为 ffmpeg 的简单工具,可以从 www.ffmpeg.org 下载。下载后,我们需要根据操作系统的规范进行安装。

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"]) 

运行上述脚本后,我们将获得名为 thumbnail_solar_video.jpg 的缩略图保存在本地目录中。

MP4转MP3

假设您已经从网站上下载了一些视频文件,但是您只需要该文件中的音频即可使用,那么可以在Python库中借助称为 moviepy 的Python库来完成此操作,该库可以安装借助以下命令-

pip install moviepy

现在,在以下脚本的帮助下成功安装了moviepy之后,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")

您可以观察到如下所示的输出-

无涯教程网

[MoviePy] Writing audio in movie_audio.mp3
100%|¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦
¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 674/674 [00:01<00:00,
476.30it/s]
[MoviePy] Done.

上面的脚本会将音频MP3文件保存在本地目录中。

这一章你学到了什么?来做个笔记,好记忆不如烂笔头! 如果觉得对您有帮助,麻烦帮分享给您的朋友。

祝学习愉快! (如果觉得不正确,选中要修改的内容->右键->编辑)

点我分享笔记