声明:文中所有文字、图片以及相关外链中直接或间接、明示或暗示涉及性别、颜值分数等信息全部由相关人脸检测接口给出。无任何客观性,仅供参考。

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。

文档中心--百度AI:ai.baidu.com。

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


这里还是要推荐下小编的Python学习群:483546416,不管你是小白还是大牛,小编我都欢迎,不定期分享干货,包括小编自己整理的一份2017最新的Python资料和0基础入门教程,欢迎初学和进阶中的小伙伴。在不忙的时间我会给大家解惑。










8 代码

#coding: utf-8

import time

import os

import re

import requests

from lxml import etree

from aip importAipFace

#百度云 人脸检测 申请信息

#唯一必须填的信息就这三行

APP_ID ="xxxxxxxx"

API_KEY ="xxxxxxxxxxxxxxxxxxxxxxxx"

SECRET_KEY ="xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

# 文件存放目录名,相对于当前目录

DIR ="image"

# 过滤颜值阈值,存储空间大的请随意

BEAUTY_THRESHOLD =45

#如果权限错误,浏览器中打开知乎,在开发者工具复制一个,无需登录

#建议最好换一个,因为不知道知乎的反爬虫策略,如果太多人用同一个,可能会影响程序运行

#如何替换该值下文有讲述

AUTHORIZATION ="oauth c3cef7c66a1843f8b3a9e6a1e3160e20"

#以下皆无需改动

#每次请求知乎的讨论列表长度,不建议设定太长,注意节操

LIMIT =5

#这是话题『美女』的 ID,其是『颜值』(20013528)的父话题

SOURCE ="19552207"

#爬虫假装下正常浏览器请求

USER_AGENT ="Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.55.3 (KHTML, like
Gecko) Version/5.1.5 Safari/534.55.3"

#爬虫假装下正常浏览器请求

REFERER ="https://www.zhihu.com/topic/%s/newest"% SOURCE

#某话题下讨论列表请求 url

BASE_URL ="https://www.zhihu.com/api/v4/topics/%s/feeds/timeline_activity"

#初始请求 url 附带的请求参数

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)

#指定 url,获取对应原始内容 / 图片

def fetch_image(url):

try:

headers ={

"User-Agent": USER_AGENT,

"Referer": REFERER,

"authorization": AUTHORIZATION

}

s = requests.get(url, headers=headers)

exceptExceptionas e:

print("fetch last activities fail. "+ url)

raise e

return s.content

#指定 url,获取对应 JSON 返回 / 话题列表

def fetch_activities(url):

try:

headers ={

"User-Agent": USER_AGENT,

"Referer": REFERER,

"authorization": AUTHORIZATION

}

s = requests.get(url, headers=headers)

exceptExceptionas e:

print("fetch last activities fail. "+ url)

raise e

return s.json()

#处理返回的话题列表

def process_activities(datums, face_detective):

for data in datums["data"]:

target = data["target"]

if"content"notin target or"question"notin target or"author"notin target:

continue

#解析列表中每一个元素的内容

html = etree.HTML(target["content"])

seq =0

#question_url = target["question"]["url"]

question_title = target["question"]["title"]

author_name = target["author"]["name"]

#author_id = target["author"]["url_token"]

print("current answer: "+ question_title +" author: "+ author_name)

#获取所有图片地址

images = html.xpath("[email protected]")

for image in images:

ifnot image.startswith("http"):

continue

s = fetch_image(image)

#请求人脸检测服务

scores = face_detective(s)

for score in scores: filename =("%d--"% score)+ author_name +"--"+
question_title +("--%d"% seq)+".jpg"

filename = re.sub(r'(?u)[^-w.]','_', filename)

#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

seq = seq +1

with open(os.path.join(DIR, filename),"wb")as fd:

fd.write(s)

#人脸检测 免费,但有 QPS 限制

time.sleep(2)

ifnot datums["paging"]["is_end"]:

#获取后续讨论列表的请求 url

return datums["paging"]["next"]

else:

returnNone

def get_valid_filename(s):

s = str(s).strip().replace(' ','_')

return re.sub(r'(?u)[^-w.]','_', s)

def init_face_detective(app_id, api_key, secret_key):

client =AipFace(app_id, api_key, secret_key)

#人脸检测中,在响应中附带额外的字段。年龄 / 性别 / 颜值 / 质量

options ={"face_fields":"age,gender,beauty,qualities"}

def detective(image):

r = client.detect(image, options)

#如果没有检测到人脸

if r["result_num"]==0:

return[]

scores =[]

for face in r["result"]:

#人脸置信度太低

if face["face_probability"]<0.6:

continue

#真实人脸置信度太低

if face["qualities"]["type"]["human"]<0.6:

continue

#颜值低于阈值

if face["beauty"]< BEAUTY_THRESHOLD:

continue

#性别非女性

if face["gender"]!="female":

continue

scores.append(face["beauty"])

return scores

return detective

def init_env():

ifnot os.path.exists(DIR):

os.makedirs(DIR)

init_env()

face_detective = init_face_detective(APP_ID, API_KEY, SECRET_KEY)

url = BASE_URL % SOURCE + URL_QUERY

while url isnotNone:

print("current url: "+ url)

datums = fetch_activities(url)

url = process_activities(datums, face_detective)

#注意节操,爬虫休息间隔不要调小

time.sleep(5)

# 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

要求登录,百度帐号可以直接使用(贴吧/网盘通用),没有只能注册



点击创建应用



随便填下



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。需更改 AUTHORIZATION,可从开发者工具中获取(如下图)
{ "error": { "message": "ZERR_NO_AUTH_TOKEN", "code": 100, "name":
"AuthenticationInvalidRequest" }}
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



*
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(逃 图像审核-百度AI:cloud.baidu.com

*
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(比如轮子哥,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。