python：BeautifulSoup 从 html中提取 image/jpeg；base64

原创已于 2023-06-24 12:45:43 修改 · 319 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#python #beautifulsoup #html #base64

于 2023-05-06 15:43:38 首次发布

python 专栏收录该内容

324 篇文章

订阅专栏

该Python脚本利用BeautifulSoup库解析MDict词典文件中的HTML，提取以base64编码的JPEG或PNG图像，并将它们保存为本地文件。脚本接受命令行参数作为查询词，找到对应的词典条目，然后将提取的图片保存在img目录下，并在img_url.htm文件中创建一个链接列表以便查看。

BeautifulSoup 从 MDict 的 html中提取 image/jpeg;base64

extract_mdx_img.py

# -*- coding: UTF-8 -*-
import os
import sys
import bs4
import base64
from readmdict import MDX  # pip install readmdict

# data:image/jpeg;base64,/9j/
def base64ToImage(name, base64res):
    if base64res.startswith("data:image/jpeg"):
        ext = '.jpg'
    else:
        ext = '.png'	
    res = base64res.split(",")[1]
    img_b64decode = base64.b64decode(res)
    # 输出文件夹是否存在
    if not os.path.exists("img"):
        os.makedirs("img")
        print("mkdir img success")
    # 输出图片
    fname = "img/" +name +ext
    print(fname)
    with open(fname, 'wb') as img:
        img.write(img_b64decode)
    with open("img_url.htm","a+", encoding="utf8") as fp:
        url = f'<h3>{name}</h3> <img src="' +fname + '" /><p>\n'
        fp.write(url)

# main()
if len(sys.argv) ==2:
    queryWord = sys.argv[1]
else:
	print("usage: extract_mdx_img.py queryWord ")
	sys.exit(1)

path1 ="你的MDict 词典目录"
os.chdir(path1)
# 加载mdx文件
filename = "你的词典文件名"
mdx = MDX(filename)
headwords = [*mdx]       # 单词名列表
items = [*mdx.items()]   # 释义html源码列表
n = len(headwords)
m = len(items)
if n == m:
    print(f'加载成功：共{n}条')
else:
    print(f'ERROR:加载失败 {n}!={m}')
    sys.exit(2)

# 查词，返回单词和html文件
wordIndex = headwords.index(queryWord.encode())
word,html = items[wordIndex]
word,html = word.decode(), html.decode()
print(word)

# 从html中提取 image/jpeg;base64
soup = bs4.BeautifulSoup(html, features='html.parser')
i=0
for img in soup.find_all("img"):
    i +=1
    base64ToImage(f"{queryWord}_"+str(i), img.get("src"))
print("生成图片",i,"张")

运行 extract_mdict_img.py point

或者 python extract_mdict_img.py compass

显示图片，双击文件 img_url.htm