牛魔王吃蚊子,邮政局上班时间,杀破狼2 2015 电影
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。
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）
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
代码
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
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
我要评论
网友评论