[PYTHON] Télécharger des images à partir d'un fichier texte contenant l'URL

introduction

――En fait, il télécharge les images les unes après les autres comme $ wget -i urls.txt.

• Cependant, si l'image n'existe pas, «.html» et «.txt» seront téléchargés. --Cette fois, nous vérifierons Content-Type, vérifierons les données de l'image et les convertirons uniformément en .jpeg.
• L'article précédent était Obtenir des liens d'images avec le moteur de recherche personnalisé Google.
• La source complète est ici.

Installation de la bibliothèque

--Télécharger les images à partir des requêtes d'URL --Vérifiez et convertissez les données d'image oreiller

$ pip install pillow requests

Fichier de configuration config.py

• Comme indiqué ci-dessous, le fichier URL est référencé en fonction de CLASSES et LINK_PATH. --Egalement, téléchargez l'image dans DOWNLOAD_PATH. ――Pour plus de détails, veuillez consulter l'article précédent.

$ cat config.py


CLASSES = [
    'Abe Otsu',
    'Satomi Ishihara',
    'Yuno Ohara',
    'Koshiba Fuka',
    'Haruna Kawaguchi',
    'Nana Mori',
    'Minami Hamabe',
    'Kaya Kiyohara',
    'Haruka Fukuhara',
    'Kuroshima Yuina'
]


BASE_PATH = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
DATA_PATH = os.path.join(BASE_PATH, 'data')
LINK_PATH = os.path.join(DATA_PATH, 'link')
DOWNLOAD_PATH = os.path.join(DATA_PATH, 'download')

Fichier texte avec URL

• Le fichier suivant.

$tête Kuroshima Yuina.txt
http://cm-watch.net/wp-content/uploads/2018/03/b22dc3193fd35ebb1bf7aa4e74c8cffb.jpg
https://www.crank-in.net/img/db/1165407_650.jpg
https://media.image.infoseek.co.jp/isnews/photos/hwchannel/hwchannel_20191107_7062003_0-small.jpg
https://i.pinimg.com/originals/3e/3c/61/3e3c61df2f426a8e4623b58d84d94b40.jpg
http://yukutaku.net/blog/wp-content/uploads/wordpress-popular-posts/253-100x100.jpg
http://gratitude8888.biz/wp-content/uploads/2017/03/cb1175590da467bef3600df48eabf770.jpg
https://www.cinemacafe.net/imgs/p/ATDRThl-6oWF9fpps9341csCOg8ODQwLCgkI/416673.jpg
https://s3-ap-northeast-1.amazonaws.com/moviche-uploads/wp-content/uploads/2019/10/IMG_2547.jpg
https://scontent-frx5-1.cdninstagram.com/vp/05d6926fed565f82247879638771ee46/5E259FCC/t51.2885-15/e35/67735702_2288175727962135_1310736136046930744_n.jpg?_nc_ht=scontent-frx5-1.cdninstagram.com&_nc_cat=103&se=7&ig_cache_key=MjEyMzM1MTc4NDkyMzQ4NzgxMg%3D%3D.2
http://moco-garden.com/wp-content/uploads/2016/05/kurosimayuina.jpg

Téléchargez, vérifiez et enregistrez des images

Lire un fichier texte contenant l'URL

• Lisez le fichier dans lequel l'URL créée la dernière fois est décrite avec un saut de ligne.

def download(query):
    """Télécharger des données, vérifier les données, enregistrer des images."""

    linkfile = os.path.join(LINK_PATH, '{}.txt'.format(query))
    if not os.path.isfile(linkfile):
        print('no linkfile: {}'.format(linkfile))
        return

    with open(linkfile, 'r') as fin:
        link_list = fin.read().split('\n')[:-1]

Téléchargez l'image et vérifiez Content-Type

• Sur la base des données de liste de l'URL lues ci-dessus, téléchargez l'une après l'autre.
• Assurez-vous que Content-Type commence par ʻimage /. ―― ʻimage / peut être jpeg`` png gif`` bmp.

    for num, link in enumerate(link_list, start=1):

        try:
            result = requests.get(link)
            content = result.content
            content_type = result.headers['Content-Type']
        except Exception as err:
            print('err: {}, link: {}'.format(err, link))
            continue

        if not content_type.startswith('image/'):
            print('err: {}, link: {}'.format(content_type, link))
            continue

Paramètres de chargement d'image avec oreiller

――Si vous définissez les paramètres suivants, même les grandes images seront lues.

ImageFile.LOAD_TRUNCATED_IMAGES = True

Vérifier les données d'image

• Lisez les données d'image avec oreiller.
• S'il ne peut pas être lu, il y a une forte probabilité que les données d'image soient corrompues.

        try:
            image = Image.open(io.BytesIO(content))
        except Exception as err:
            print('err: {}, link: {}'.format(err, link))
            continue

Convertir les données d'image en .jpeg

HenLorsque vous pensez au post-processus, je pense que c'est difficile à traiter en considérant le cas de .png et .bmp un par un.

• Par conséquent, il est uniformément converti en «.jpeg».
• Comme il peut s'agir de «RGBA», etc., convertissez-le en «RGB» de «.jpeg».

        if image.mode != 'RGB':
            image = image.convert('RGB')
        data = io.BytesIO()
        image.save(data, 'jpeg', optimize=True, quality=95)
        content = data.getvalue()

Enregistrer l'image

--Selon le DOWNLOAD_PATH décrit dans le fichier de configuration, enregistrez-le avec un nom de fichier tel que 0001.jpeg`` 0002.jpeg

• Je ne pense pas que vous utiliserez la fin de l'URL pour créer le nom du fichier.
• De plus, comme le nombre de lignes dans le fichier texte de l'URL et le numéro dans le nom de fichier correspondent, je pense qu'il est facile de se référer l'un à l'autre.

        filename = os.path.join(DOWNLOAD_PATH, query, '{:04d}.jpeg'.format(num))
        with open(filename, 'wb') as fout:
            fout.write(content)
        print('query: {}, filename: {}, link: {}'.format(query, os.path.basename(filename), link))

Exemples d'erreurs lors du téléchargement et du traitement des fichiers

• L'URL était d'environ «6 000». Parmi eux, environ «180» était une erreur.
• L'erreur ressemble à ce qui suit.
• Il peut s'agir de html au lieu de données d'image. --Cependant, Content-Type ʻapplication / octet-stream et binary / octet-stream` devraient pouvoir être sauvegardés en tant que données d'image, mais cette fois ils sont omis car ils sont peu nombreux.

$ awk '{print $2}' err.txt | sort | uniq -c | sort -nr
  47 text/html;
  31 text/plain,
  30 ('Connection
  27 text/html,
  18 'content-type',
  10 cannot
   5 application/octet-stream,
   2 application/xml,
   1 images
   1 binary/octet-stream,
   1 UserWarning:
   1 HTTPSConnectionPool(host='jpnews24h.com',
   1 HTTPSConnectionPool(host='host-your-site.net',
   1 HTTPSConnectionPool(host='gamers.co.jp',
   1 HTTPConnectionPool(host='youtube.dojin.com',
   1 HTTPConnectionPool(host='nosh.media',
   1 HTTPConnectionPool(host='arukunews.jp',
   1 Exceeded

en conclusion

-- $ wget -i urls.txt aborde la partie irritante qui est un peu hors de portée. ――La prochaine fois, nous prévoyons d'effectuer une reconnaissance faciale à partir d'images.