Python 爬虫 + 人脸检测 —— 知乎高颜值图片抓取

2022-12-13 20:53:32

1 数据源

知乎话题『美女』下所有问题中回答所出现的图片

2 抓取工具

Python 3，并使用第三方库 Requests、lxml、AipFace，代码共 100 + 行

3 必要环境

Mac / Linux / Windows （Linux 没测过，理论上可以。Windows 之前较多反应出现异常，后查是 windows 对本地文件名中的字符做了限制，已使用正则过滤），无需登录知乎（即无需提供知乎帐号密码），人脸检测服务需要一个百度云帐号（即百度网盘 / 贴吧帐号）

4 人脸检测库

AipFace，由百度云 AI 开放平台提供，是一个可以进行人脸检测的 Python SDK。可以直接通过 HTTP 访问，免费使用

http://ai.baidu.com/ai-doc/FACE/fk3co86lr

5 检测过滤条件

过滤所有未出现人脸图片（比如风景图、未露脸身材照等）
过滤所有非女性（在抓取中，发现知乎男性图片基本是明星，故不考虑；存在 AipFace 性别识别不准的情况）
过滤所有非真实人物，比如动漫人物（AipFace Human 置信度小于 0.6）
过滤所有颜值评分较低图片（AipFace beauty 属性小于 45，为了节省存储空间；再次声明，AipFace 评分无任何客观性）

在这里还是要推荐下我自己建的Python开发学习群:810735403

6 实现逻辑

通过 Requests 发起 HTTP 请求，获取『美女』下的部分讨论列表
通过 lxml 解析抓取到的每个讨论中 HTML，获取其中所有的 img 标签相应的 src 属性
通过 Requests 发起 HTTP 请求，下载 src 属性指向图片（不考虑动图）
通过 AipFace 请求对图片进行人脸检测
判断是否检测到人脸，并使用『4 检测过滤条件』过滤
将过滤后的图片持久化到本地文件系统，文件名为颜值 + 作者 + 问题名 + 序号
返回第一步，继续

7 抓取结果

直接存放在文件夹中（angelababy 实力出境）。另外说句，目前抓下来的图片，除 baby 外，88 分是最高分。个人对其中的排序表示反对，老婆竟然不是最高分

8 代码

8.1 直接使用百度云 Python-SDK 代码 —— 已移除
8.2不使用 SDK，直接构造 HTTP 请求版本。直接使用这个版本有个好处，就是不依赖于 SDK 的版本（百度云现在有两个版本的接口 —— V2 和 V3。现阶段，百度云同时支持两种接口，所以直接使用 SDK 是没问题的。等以后哪一天百度不支持 V2 了，就务必升级
SDK 或使用这个直接构造 HTTP 版本）

  1 #coding: utf-8
  2 
  3 import time
  4 import os
  5 import re
  6 
  7 import requests
  8 from lxml import etree
  9 
 10 from aip import AipFace
 11 
 12 #百度云 人脸检测 申请信息
 13 #唯一必须填的信息就这三行
 14 APP_ID = "xxxxxxxx"
 15 API_KEY = "xxxxxxxxxxxxxxxxxxxxxxxx"
 16 SECRET_KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
 17 
 18 # 文件存放目录名，相对于当前目录
 19 DIR = "image"
 20 # 过滤颜值阈值，存储空间大的请随意
 21 BEAUTY_THRESHOLD = 45
 22 
 23 #浏览器中打开知乎，在开发者工具复制一个，无需登录
 24 #如何替换该值下文有讲述
 25 AUTHORIZATION = "oauth c3cef7c66a1843f8b3a9e6a1e3160e20"
 26 
 27 #以下皆无需改动
 28 
 29 #每次请求知乎的讨论列表长度，不建议设定太长，注意节操
 30 LIMIT = 5
 31 
 32 #这是话题『美女』的 ID，其是『颜值』（20013528）的父话题
 33 SOURCE = "19552207"
 34 
 35 #爬虫假装下正常浏览器请求
 36 USER_AGENT = "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.55.3 (KHTML, like Gecko) Version/5.1.5 Safari/534.55.3"
 37 #爬虫假装下正常浏览器请求
 38 REFERER = "https://www.zhihu.com/topic/%s/newest" % SOURCE
 39 #某话题下讨论列表请求 url
 40 BASE_URL = "https://www.zhihu.com/api/v4/topics/%s/feeds/timeline_activity"
 41 #初始请求 url 附带的请求参数
 42 URL_QUERY = "?include=data%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Danswer%29%5D.target.is_normal%2Ccomment_count%2Cvoteup_count%2Ccontent%2Crelevant_info%2Cexcerpt.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cvoteup_count%2Ccomment_count%2Cvoting%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dtopic_sticky_module%29%5D.target.data%5B%3F%28target.type%3Dpeople%29%5D.target.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%3Bdata%5B%3F%28target.type%3Danswer%29%5D.target.author.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Darticle%29%5D.target.content%2Cauthor.badge%5B%3F%28type%3Dbest_answerer%29%5D.topics%3Bdata%5B%3F%28target.type%3Dquestion%29%5D.target.comment_count&limit=" + str(LIMIT)
 43 
 44 #指定 url，获取对应原始内容 / 图片
 45 def fetch_image(url):
 46     try:
 47         headers = {
 48                 "User-Agent": USER_AGENT,
 49                 "Referer": REFERER,
 50                 "authorization": AUTHORIZATION
 51                 }
 52         s = requests.get(url, headers=headers)
 53     except Exception as e:
 54         print("fetch last activities fail. " + url)
 55         raise e
 56 
 57     return s.content
 58 
 59 #指定 url，获取对应 JSON 返回 / 话题列表
 60 def fetch_activities(url):
 61     try:
 62         headers = {
 63                 "User-Agent": USER_AGENT,
 64                 "Referer": REFERER,
 65                 "authorization": AUTHORIZATION
 66                 }
 67         s = requests.get(url, headers=headers)
 68     except Exception as e:
 69         print("fetch last activities fail. " + url)
 70         raise e
 71 
 72     return s.json()
 73 
 74 #处理返回的话题列表
 75 def process_activities(datums, face_detective):
 76     for data in datums["data"]:
 77 
 78         target = data["target"]
 79         if "content" not in target or "question" not in target or "author" not in target:
 80             continue
 81 
 82         #解析列表中每一个元素的内容
 83         html = etree.HTML(target["content"])
 84 
 85         seq = 0
 86 
 87         #question_url = target["question"]["url"]
 88         question_title = target["question"]["title"]
 89 
 90         author_name = target["author"]["name"]
 91         #author_id = target["author"]["url_token"]
 92 
 93         print("current answer: " + question_title + " author: " + author_name)
 94 
 95         #获取所有图片地址
 96         images = html.xpath("//img/@src")
 97         for image in images:
 98             if not image.startswith("http"):
 99                 continue
100             s = fetch_image(image)
101             
102             #请求人脸检测服务
103             scores = face_detective(s)
104 
105             for score in scores:
106                 filename = ("%d--" % score) + author_name + "--" + question_title + ("--%d" % seq) + ".jpg"
107                 filename = re.sub(r'(?u)[^-\w.]', '_', filename)
108                 #注意文件名的处理，不同平台的非法字符不一样，这里只做了简单处理，特别是 author_name / question_title 中的内容
109                 seq = seq + 1
110                 with open(os.path.join(DIR, filename), "wb") as fd:
111                     fd.write(s)
112 
113             #人脸检测 免费，但有 QPS 限制
114             time.sleep(2)
115 
116     if not datums["paging"]["is_end"]:
117         #获取后续讨论列表的请求 url
118         return datums["paging"]["next"]
119     else:
120         return None
121 
122 def get_valid_filename(s):
123     s = str(s).strip().replace(' ', '_')
124     return re.sub(r'(?u)[^-\w.]', '_', s)
125 
126 import base64
127 def detect_face(image, token):
128     try:
129         URL = "https://aip.baidubce.com/rest/2.0/face/v3/detect"
130         params = {
131                 "access_token": token
132                 }
133         data = {
134                 "face_field": "age,gender,beauty,qualities",
135                 "image_type": "BASE64",
136                 "image": base64.b64encode(image)
137                 }
138         s = requests.post(URL, params=params, data=data)
139         return s.json()["result"]
140     except Exception as e:
141         print("detect face fail. " + url)
142         raise e
143 
144 def fetch_auth_token(api_key, secret_key):
145     try:
146         URL = "https://aip.baidubce.com/oauth/2.0/token"
147         params = {
148                 "grant_type": "client_credentials",
149                 "client_id": api_key,
150                 "client_secret": secret_key
151                 }
152         s = requests.post(URL, params=params)
153         return s.json()["access_token"]
154     except Exception as e:
155         print("fetch baidu auth token fail. " + url)
156         raise e
157 
158 def init_face_detective(app_id, api_key, secret_key):
159     # client = AipFace(app_id, api_key, secret_key)
160     # 百度云 V3 版本接口，需要先获取 access token   
161     token = fetch_auth_token(api_key, secret_key)
162     def detective(image):
163         #r = client.detect(image, options)
164         # 直接使用 HTTP 请求
165         r = detect_face(image, token)
166         #如果没有检测到人脸
167         if r is None or r["face_num"] == 0:
168             return []
169 
170         scores = []
171         for face in r["face_list"]:
172             #人脸置信度太低
173             if face["face_probability"] < 0.6:
174                 continue
175             #颜值低于阈值
176             if face["beauty"] < BEAUTY_THRESHOLD:
177                 continue
178             #性别非女性
179             if face["gender"]["type"] != "female":
180                 continue
181             scores.append(face["beauty"])
182 
183         return scores
184 
185     return detective
186 
187 def init_env():
188     if not os.path.exists(DIR):
189         os.makedirs(DIR)
190 
191 init_env()
192 face_detective = init_face_detective(APP_ID, API_KEY, SECRET_KEY)
193 
194 url = BASE_URL % SOURCE + URL_QUERY
195 while url is not None:
196     print("current url: " + url)
197     datums = fetch_activities(url)
198     url = process_activities(datums, face_detective)
199     #注意节操，爬虫休息间隔不要调小
200     time.sleep(5)
201 
202 
203 # vim: set ts=4 sw=4 sts=4 tw=100 et:

9 运行准备

安装 Python 3，Download Python
安装 requests、lxml、baidu-aip 库，都可以通过 pip 安装，一行命令
申请百度云检测服务，免费。人脸识别-百度AI

将 AppID ApiKek SecretKey 填写到代码中

（可选）配置自定义信息，如图片存储目录、颜值阈值、人脸置信度等
（可选）若请求知乎失败，返回如下。需填写
AUTHORIZATION，可从开发者工具中获取（如下图，换了几个浏览器，目前没登录情况该值都是一样的。知乎对爬虫的态度比较开放，不知道后续是否会更换）

1 {
2     "error": {
3         "message": "ZERR_NO_AUTH_TOKEN",
4         "code": 100,
5         "name": "AuthenticationInvalidRequest"
6     }
7 }

Chrome 浏览器；找一个知乎链接点进去，打开开发者工具，查看 HTTP 请求 header；无需登录

1 - 运行 ^*^

10 结语

因是人脸检测，所以可能有些福利会被筛掉。百度图像识别 API 还有一个叫做色情识别。这个 API 可以识别不可描述以及性感指数程度，可以用这个 API 来找福利

https://cloud.baidu.com/product/imagecensoring

如果实在不想申请百度云服务，可以直接把人脸检测部分注释掉，当做单纯的爬虫使用
人脸检测部分可以替换成其他厂商服务或者本地模型，这里用百度云是因为它不要钱
抓了几千张照片，效果还是挺不错的。有兴趣可以把代码贴下来跑跑试试
这边文章只是基础爬虫 + 数据过滤来获取较高质量数据的示例，希望有兴趣者可以 run
下，代码里有很多地方可以很容易的修改，从最简单的数据源话题变更、抓取数据字段增加和删除到图片过滤条件修改都很容易。如果再稍微花费时间，变更为抓取某人动态（比如*哥，数据质量很高）、探索
HTTP 请求中哪些 header 和 query
是必要的，文中代码都只需要非常局部性的修改。至于人脸探测，或者其他机器学习接口，可以提供非常多的功能用于数据过滤，但哪些过滤是具备高可靠性，可信赖的且具备可用性，这个大概是经验和反复试验，这就是额外的话题了；顺便希望大家有良好的编码习惯
最后再次声明，颜值得分以及性别过滤存在 bad case，请勿认真对待

在这里还是要推荐下我自己建的Python开发学习群:810735403，群里都是学Python开发的，如果你正在学习Python ，欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2020最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴！

码农公寓