微信号:Computer-network

介绍:信息安全公益宣传,信息安全知识启蒙. (网络安全、系统安全、数据安全)

Python | 美女挖掘指南

2018-03-14 12:42 邓卓

信息安全公益宣传,信息安全知识启蒙。

加微信群回复公众号:微信群QQ群16004488

加微信群或QQ群可免费索取:学习教程

教程列表见微信公众号底部菜单




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

8、代码

获取代码,请前往微信公众号后台回复关键字 爬虫美女 获取。


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

  • 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

 
计算机与网络安全 更多文章 【视频】| 详解 TCP \/ IP 参考模型 【视频】| 区块链将影响的19个行业 【视频】| 网络基础知识 【视频】| 你用的路由器合格吗? 【视频】| 围剿“盗刷者”
猜您喜欢 干货 | 98道常见Hadoop面试题及答案解析(一) 标准GNU命令行的格式 程序员之神:一个人,一个网站,5.75亿美元卖掉 头条丨谷歌DeepMind连续深度学习网络PNN,距人类水平AI又进一步 一大波学习资源来袭