基于python爬蟲的圖片信息檢索與分析

劉雷 周玫 江西工業(yè)職業(yè)技術(shù)學(xué)院

一、研究背景

在日常生活中，我們在網(wǎng)絡(luò)上檢索圖片信息，一般采用百度搜索、谷歌搜索、360搜索等等搜索引擎，但是在檢索過程中，一般都會出現(xiàn)搜索引擎本身提供的廣告、推廣等信息，為了使搜索內(nèi)容簡單、準(zhǔn)確化，利用python爬蟲技術(shù)，開發(fā)了一款圖片搜索功能程序，便于圖片檢索的精準(zhǔn)化。

二、具體實(shí)現(xiàn)目標(biāo)：

1.數(shù)據(jù)抓取

利用爬蟲技術(shù)，輸入檢索關(guān)鍵字，將網(wǎng)絡(luò)上雜亂無章的初步數(shù)據(jù)進(jìn)行整理，并在盡量少的先驗(yàn)假定條件下進(jìn)行數(shù)據(jù)分析，爬取優(yōu)質(zhì)網(wǎng)頁數(shù)據(jù)，檢索出篩選出符合條件的最優(yōu)質(zhì)的圖片資源信息。

2.圖片存儲

將爬取回來的可能存在數(shù)據(jù)缺失、錯(cuò)誤等情況，使用pandas 包方法進(jìn)行數(shù)據(jù)的二次處理，最后直接用文件的形式存在本地文件夾中。

三、采用關(guān)鍵技術(shù)

1.爬蟲技術(shù)數(shù)據(jù)檢索

使用現(xiàn)階段較為流行的網(wǎng)絡(luò)爬蟲技術(shù)，根據(jù)關(guān)鍵字進(jìn)行數(shù)據(jù)針對化檢索，將檢索的信息最大程度符合用戶需要。

2.數(shù)據(jù)處理

對爬取的URL數(shù)據(jù)信息進(jìn)行二次處理，將數(shù)據(jù)缺失，無效。錯(cuò)誤信息進(jìn)行篩選，以保證爬取信息真實(shí)有效。

3.URL 存儲

將篩選后有效的圖片資源數(shù)據(jù)信息保存到本地文件夾中，方便用戶使用。

四、工具及解決方案

爬蟲是采用python語言開發(fā)，按照特定規(guī)則自動(dòng)獲取網(wǎng)絡(luò)資源的腳本或程序，其爬取過程大部分都是按“發(fā)送請求——獲得頁面——解析頁面——抽取并儲存內(nèi)容”這樣的流程來進(jìn)行，這其實(shí)也是模擬了瀏覽器獲取網(wǎng)頁信息的過程。

1.本系統(tǒng)采用的研究方法及技術(shù)路線：利用基于Python設(shè)計(jì)及實(shí)現(xiàn)一個(gè)完整的網(wǎng)絡(luò)爬蟲，利用檢索關(guān)鍵字方法爬取符合條件的所有目標(biāo)網(wǎng)站及待抓取的鏈接地址，對鏈接地址中的信息進(jìn)行有效分析提取，并保存在網(wǎng)絡(luò)收藏夾或本地文件當(dāng)中。

2.試驗(yàn)方案：通過現(xiàn)有URL進(jìn)行分析，查看各類符合條件的網(wǎng)頁源代碼，繼續(xù)網(wǎng)頁抓包分析，將各類網(wǎng)頁文件、代碼形式進(jìn)行分類概括，基本步驟：

(1）不設(shè)防的網(wǎng)站，直接爬取，不做任何偽裝

(2）基礎(chǔ)防備的網(wǎng)站，爬取過程中增加休眠次數(shù)，降級爬取頻次，防止被限制。再可以每次爬取切換頭信息，偽裝成多個(gè)終端發(fā)起的請求

(3）需要登錄的情況下，需要多個(gè)用戶賬戶，爬取過程中切換cookie 信息，模擬不同用戶在請求。

(4）使用 IP 代理池，切換 IP，越過高級限制。

3.可行性分析：利用基于Python設(shè)計(jì)及實(shí)現(xiàn)一個(gè)完整的網(wǎng)絡(luò)爬蟲，爬取用戶需要的更準(zhǔn)確的檢索信息，可以在互聯(lián)網(wǎng)上驗(yàn)證實(shí)驗(yàn)方案的可行性和正確性。

4.數(shù)據(jù)處理

數(shù)據(jù)處理包括數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析及存檔。

數(shù)據(jù)的收集，這需要對爬蟲軟件進(jìn)行時(shí)間設(shè)置以保障收集到的數(shù)據(jù)時(shí)效性質(zhì)量。

預(yù)處理環(huán)節(jié)主要包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)歸約與數(shù)據(jù)轉(zhuǎn)換等內(nèi)容，可以大大提高搜索數(shù)據(jù)的總體質(zhì)量，是數(shù)據(jù)過程質(zhì)量的體現(xiàn)。數(shù)據(jù)清理技術(shù)包括對數(shù)據(jù)的不一致檢測、噪聲數(shù)據(jù)的識別、數(shù)據(jù)過濾與修正等方面，有利于提高數(shù)據(jù)的一致性、準(zhǔn)確性、真實(shí)性和可用性等方面的質(zhì)量。

圖1爬蟲流程圖

數(shù)據(jù)分析是數(shù)據(jù)處理與應(yīng)用的關(guān)鍵環(huán)節(jié)，它決定了數(shù)據(jù)集合的價(jià)值性和可用性，以及分析預(yù)測結(jié)果的準(zhǔn)確性。在數(shù)據(jù)分析環(huán)節(jié)，應(yīng)根據(jù)數(shù)據(jù)應(yīng)用情境與決策需求，選擇合適的數(shù)據(jù)分析技術(shù)，提高大數(shù)據(jù)分析結(jié)果的可用性、價(jià)值性和準(zhǔn)確性質(zhì)量。

存檔是將通過數(shù)據(jù)收集、預(yù)處理病分析后的正確數(shù)據(jù)保存到網(wǎng)絡(luò)收藏夾或者本地文件夾中，是爬取數(shù)據(jù)結(jié)果的體現(xiàn)。

5.系統(tǒng)測試

針對基于python的高職教育信息爬取與數(shù)據(jù)分析進(jìn)行測試，包括三個(gè)方面：

(1）針對場景測試，可以通過輸入關(guān)鍵字進(jìn)行測試，包括成功的爬取場景和失敗的場景，比如無數(shù)據(jù)、無效數(shù)據(jù)。

(2）爬蟲質(zhì)量測試，主要是根據(jù)整體設(shè)計(jì)和代碼實(shí)現(xiàn)來分析爬蟲的處理方式是否是高可用的。

(3）爬蟲效率測試，主要針對錄入關(guān)鍵字進(jìn)行數(shù)據(jù)爬取，包括成功爬取所使用的時(shí)間和數(shù)量。

五、總結(jié)

根據(jù)以上設(shè)計(jì)，利用python技術(shù)實(shí)現(xiàn)了關(guān)鍵字檢索往哪里圖片信息的作用，該系統(tǒng)主要是將網(wǎng)絡(luò)上零散的數(shù)據(jù)信息，通過在線數(shù)據(jù)分析主要包括探索性數(shù)據(jù)分析，并成功的將檢索關(guān)鍵字將檢索符合條件的圖片信息保持到本地文件夾中。