目錄一、百度 AI 開放平臺的 Key 申請方法二、抓取貼吧表情包三、使用 Baidu-aip

本文先抓取網(wǎng)絡(luò)上的表情圖像，然后利用百度 AI 識別表情包上的說明文字，并利用表情文字重命名文件，這樣當(dāng)發(fā)表情包時，不需要逐個打開查找，直接根據(jù)文件名選擇表情并發(fā)送。

一、百度 AI 開放平臺的 Key 申請方法

本例使用了百度 AI 的 API 接口實現(xiàn)文字識別。因此需要先申請對應(yīng)的 API 使用權(quán)限，具體步驟如下：

在網(wǎng)頁瀏覽器(比如 Chrome 或者火狐) 的地址欄中輸入 ai.baidu.com，進(jìn)入到百度云 AI 的官網(wǎng)，在該頁面中單擊右上角的 控制臺 按鈕。

進(jìn)入到百度云 AI 官網(wǎng)的登錄頁面，輸入百度賬號和密碼，如果沒有，可以單擊 立即注冊 超鏈接進(jìn)行注冊申請。

登錄成功后，進(jìn)入到百度云 AI 官網(wǎng)的控制臺頁面，單擊左側(cè)導(dǎo)航的 產(chǎn)品服務(wù)，展開列表，在列表的最右側(cè)下方看到有 人工智能 的分類，然后選擇 圖像識別，或者直接選擇 文字識別，如下圖所示。

進(jìn)入圖像識別一概覽 頁面，要使用百度云 AI 的 API，首先需要申請權(quán)限，申請權(quán)限之前需要先創(chuàng)建自己的應(yīng)用，因此單擊 創(chuàng)建應(yīng)用按鈕，如下圖所示。

進(jìn)入到 創(chuàng)建應(yīng)用 頁面，該頁面中需要輸入應(yīng)用的名稱，選擇應(yīng)用類型，并選擇接口，注意：這里的接口可以多選擇一些，把后期可能用到的接口全部選擇上，這樣，在開發(fā)其他實例時，就可以直接使用了；選擇完接口后，選擇文字識別包名，這里選擇 不需要，輸入應(yīng)用描述，單擊 立即創(chuàng)建 按鈕，如下圖所示。

創(chuàng)建完成后，單擊 返回應(yīng)用列表 按鈕，頁面跳轉(zhuǎn)到應(yīng)用列表頁面，在該頁面中即可查看創(chuàng)建的應(yīng)用，以及百度云自動為您分配的 AppID，API Key，Secret Key，這些值根據(jù)應(yīng)用的不同而不同，因此一定要保存好，以便開發(fā)時使用。

二、抓取貼吧表情包

本例在百度貼吧中找到了一些自制的表情包：https://tieba.baidu.com/p/5522091060現(xiàn)在想把圖片都爬下來，具體操作步驟如下：

Network 抓包看下返回的數(shù)據(jù)是否和 Element 一致，即是否包含想要的數(shù)據(jù)，而不是通過 JS 黑魔法進(jìn)行加載的。復(fù)制下第一個圖的圖片鏈接，到 Network 選項卡里的 Response 里查找一下。

在 Network 抓包中沒有發(fā)現(xiàn) Ajax 動態(tài)加載數(shù)據(jù)的蹤跡。

點擊第二頁，抓包發(fā)現(xiàn)了 Ajax 加載的痕跡。

以第一個圖的 url 搜下，同樣可以找到。

三個參數(shù)猜測 pn 為 page_number，即頁數(shù)，postman 或者自己寫代碼模擬請求，記得塞入 Host 和 X-Requested-With，驗證 pn=1 是否為第一頁數(shù)據(jù)，驗證通過，即所有頁面數(shù)據(jù)都可以通過這個接口拿到。

先加載拿到末頁是第幾頁，然后走一波循環(huán)遍歷即可解析數(shù)據(jù)獲得圖片 url，寫入文件，使用多個線程進(jìn)行下載，詳細(xì)代碼如下。

# 抓取百度貼吧某個帖子里的所有圖片import requestsimport timeimport threadingimport queuefrom bs4 import BeautifulSoupimport chardetimport ostiezi_url = 'https://tieba.baidu.com/p/5522091060'headers = { ’Host’: ’tieba.baidu.com’, ’User-Agent’: ’User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KH’ ’TML, like Gecko) Chrome/90.0.4430.212 Safari/537.36’,}pic_save_dir = ’tiezi_pic/’if not os.path.exists(pic_save_dir): # 判斷文件夾是否存在，不存在就創(chuàng)建 os.makedirs(pic_save_dir)pic_urls_file = ’tiezi_pic_urls.txt’download_q = queue.Queue() # 下載隊列# 獲得頁數(shù)def get_page_count(): try:resp = requests.get(tiezi_url, headers=headers, timeout=5)if resp is not None: resp.encoding = chardet.detect(resp.content)[’encoding’] html = resp.text soup = BeautifulSoup(html, ’lxml’) a_s = soup.find('ul', attrs={’class’: ’l_posts_num’}).findAll('a') for a in a_s:if a.get_text() == ’尾頁’: return a[’href’].split(’=’)[1] except Exception as e:print(str(e))# 下載線程class PicSpider(threading.Thread): def __init__(self, t_name, func):self.func = functhreading.Thread.__init__(self, name=t_name) def run(self):self.func()# 獲得每頁里的所有圖片URLdef get_pics(count): params = {’pn’: count,’ajax’: ’1’,’t’: int(time.time()) } try:resp = requests.get(tiezi_url, headers=headers, timeout=5, params=params)if resp is not None: resp.encoding = chardet.detect(resp.content)[’encoding’] html = resp.text soup = BeautifulSoup(html, ’lxml’) imgs = soup.findAll(’img’, attrs={’class’: ’BDE_Image’}) for img in imgs:print(img[’src’])with open(pic_urls_file, ’a’) as fout: fout.write(img[’src’]) fout.write(’n’) return None except Exception:pass# 下載線程調(diào)用的方法def down_pics(): global download_q while not download_q.empty():data = download_q.get()download_pic(data)download_q.task_done()# 下載調(diào)用的方法def download_pic(img_url): try:resp = requests.get(img_url, headers=headers, timeout=10)if resp.status_code == 200: print('下載圖片:' + img_url) pic_name = img_url.split('/')[-1][0:-1] with open(pic_save_dir + pic_name, 'wb+') as f:f.write(resp.content) except Exception as e:print(e)if __name__ == ’__main__’: print('檢索判斷鏈接文件是否存在：') if not os.path.exists(pic_urls_file):print('不存在，開始解析帖子...')page_count = get_page_count()if page_count is not None: headers[’X-Requested-With’] = ’XMLHttpRequest’ for page in range(1, int(page_count) + 1):get_pics(page)print('鏈接已解析完畢！')headers.pop(’X-Requested-With’) else:print('存在') print('開始下載圖片~~~~') headers[’Host’] = ’imgsa.baidu.com’ fo = open(pic_urls_file, 'r') pic_list = fo.readlines() threads = [] for pic in pic_list:download_q.put(pic) for i in range(0, len(pic_list)):t = PicSpider(t_name=’線程’ + str(i), func=down_pics)t.daemon = Truet.start()threads.append(t) download_q.join() for t in threads:t.join() print('圖片下載完畢')

運行結(jié)果：

下面通過 OCR 文字識別技術(shù)，直接把表情里的文字提出來，然后來命名圖片，這樣就可以直接文件搜索表情關(guān)鍵字，可以快速找到需要的表情圖片。使用谷歌的 OCR 文字識別引擎：Tesseract，對于此類大圖片小文字，不太適合，識別率太低，甚至無法識別，這時使用百度云 OCR 比較合適，它能夠自動定位到圖片中具體位置，并找出圖片中所有的文字。

三、使用 Baidu-aip

申請百度 AI 的應(yīng)用 key 之后，就可以在本地系統(tǒng)中安裝 Baidu-aip，代碼如下：

pip install baidu-aip

先識別一張圖片，看看效果如何：

from aip import AipOcr# 新建一個AipOcr對象config = { ’appId’: ’填寫自己的appId’, ’apiKey’: ’填寫自己的apiKey’, ’secretKey’: ’填寫自己的secretKey’}client = AipOcr(**config)# 識別圖片里的文字def img_to_str(image_path): # 讀取圖片 with open(image_path, ’rb’) as fp:image = fp.read()# 調(diào)用通用文字識別, 圖片參數(shù)為本地圖片 result = client.basicGeneral(image) # 返回拼接結(jié)果 if ’words_result’ in result:return ’n’.join([w[’words’] for w in result[’words_result’]])if __name__ == ’__main__’: print(img_to_str(’tiezi_pic/5c0ddb1e4134970aebd593e29ecad1c8a5865dbd.jpg’))

運行程序，結(jié)果如下圖所示：

百度 AI 返回的是一個 JSON 格式數(shù)據(jù)，如下所示。返回一個字典對象，包含 log_id、words_result_num、words_result 三個鍵，其中 words_result_num 表示識別的文本行數(shù)，words_result 是一個列表，每個列表項目記錄一條識別的文本，每個項目返回一個字典對象，包含 words 鍵，words 表示識別的文本。

{’words_result’: [{’words’: ’o。o’}, {’words’: ’6226-16:59’}, {’words’: ’絕望jpg’}], ’log_id’: 1393611954748129280, ’words_result_num’: 3}o。o6226-16:59絕望jpg

由于每個圖片中可能包含很多文字信息，如水印的日期文字，以及個別特殊的文字符號被誤解析，我們需要提出的是漢字或字母信息，同時可能會包含多條漢字信息，本例選擇漢字或字母最長的一條來命名文件。完整的示例代碼如下：

# 識別圖片文字，批量命名圖片文字import osfrom aip import AipOcrimport reimport datetime# 新建一個AipOcr對象config = { ’appId’: ’填寫自己的appId’, ’apiKey’: ’填寫自己的apiKey’, ’secretKey’: ’填寫自己的secretKey’}client = AipOcr(**config)pic_dir = r'tiezi_pic/'# 讀取圖片def get_file_content(file_path): with open(file_path, ’rb’) as fp:return fp.read()# 識別圖片里的文字def img_to_str(image_path): image = get_file_content(image_path) # 調(diào)用通用文字識別, 圖片參數(shù)為本地圖片 result = client.basicGeneral(image) # 結(jié)果拼接返回 words_list = [] if ’words_result’ in result:if len(result[’words_result’]) > 0: for w in result[’words_result’]:words_list.append(w[’words’]) file_name = get_longest_str(words_list) print(file_name) file_dir_name = pic_dir + str(file_name).replace('/', '') + ’.jpg’ if os.path.exists(file_dir_name): # 處理文件重名問題sec = datetime.datetime.now().microsecond # 獲取當(dāng)前毫秒時值file_dir_name = pic_dir + str(file_name).replace('/', '') + str(sec) + ’.jpg’ try:os.rename(image_path, file_dir_name) except Exception:print(' 重命名失敗：', image_path, ' => ', file_name)# 獲取字符串列表中最長的字符串def get_longest_str(str_list): pat = re.compile(r’[u4e00-u9fa5A-Za-z]+’) str = max(str_list, key=hanzi_len) result = pat.findall(str) return ’’.join(result)def hanzi_len(item): pat = re.compile(r’[u4e00-u9fa5]+’) sum = 0 for i in item:if pat.search(i): sum += 1 return sum# 遍歷某個文件夾下所有圖片def query_picture(dir_path): pic_path_list = [] for filename in os.listdir(dir_path):pic_path_list.append(dir_path + filename) return pic_path_listif __name__ == ’__main__’: pic_list = query_picture(pic_dir) if len(pic_list) > 0:for i in pic_list: img_to_str(i)

運行程序，結(jié)果如下圖所示：

到此這篇關(guān)于Python基于百度AI實現(xiàn)抓取表情包的文章就介紹到這了,更多相關(guān)Python 抓取表情包內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！