知乎大神用Python爬取高颜值美女（爬虫+人脸检测+颜值检测）

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

代码

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