本文作者：邓卓。转载已取得作者授权。
原文链接：https://zhuanlan.zhihu.com/p/34425618
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
8 代码
#coding: utf-8
import time
import os
import re
import requests
from lxml import etree
from aip import AipFace
#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)
except Exception as 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)
except Exception as 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" not in target or "question" not in target or "author" not in 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("//img/@src")
for image in images:
if not 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)
if not datums["paging"]["is_end"]:
#获取后续讨论列表的请求 url
return datums["paging"]["next"]
else:
return None
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():
if not 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 is not None:
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。
你可能感兴趣的文章
Python爬虫：发了十年说说的QQ好友，她/他到底都说了什么？
欢迎加入微信交流群
通过公众号下方菜单【微信群】加入，暗号：CVPy 或者 OpenCV。
长按指纹，识别二维码，一键关注
本文分享自微信公众号 - CVPy（x-cvpy）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
来源：oschina
链接：https://my.oschina.net/u/4591921/blog/4413673