1 图片爬虫

这里的代码转载自：http://t.csdnimg.cn/T4R4F

<code># 获取图片数据

import os.path

import fake_useragent

import requests

from lxml import etree

# UA伪装

head = {"User-Agent": fake_useragent.UserAgent().random}

pic_name = 0

def request_pic(url):

# 发送请求

response = requests.get(url, headers=head)

# 获取想要的数据

res_text = response.text

# 数据解析

tree = etree.HTML(res_text)

li_list = tree.xpath("//div[@class='slist']/ul/li")code>

for li in li_list:

# 图片的url

img_url = "https://pic.netbian.com" + "".join(li.xpath("./a/img/@src"))

# 发送请求

img_response = requests.get(img_url, headers=head)

# 获取想要的数据

img_content = img_response.content

global pic_name

with open(f"./picLib/{pic_name}.jpg", "wb") as fp:

fp.write(img_content)

pic_name += 1

if __name__ == '__main__':

# 创建存放照片的文件夹

if not os.path.exists("./picLib"):

os.mkdir("./picLib")

# 网站的url

url = "https://pic.netbian.com/4kdongman/"

request_pic(url)

for i in range(1,10):

next_url = f"https://pic.netbian.com/4kmeinv/index_{i}.html"

request_pic(next_url)

         结果如图1-1所示：

图 1-1  

2 基于opencv自带分类器的人脸检测 

<code>import cv2

import os

import matplotlib.pyplot as plt

# 定义人脸检测器的路径

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 设置图片文件夹路径

folder_path = 'picLib'

# 设置要显示的图像数量

num_to_display = 5 # 例如，只显示前4张图像

# 创建一个图形和子图

fig, axs = plt.subplots(1, num_to_display, figsize=(15, 5))

# 遍历文件夹中的前几张图片

for i in range(num_to_display):

file_name = f'{i}.jpg'

image_path = os.path.join(folder_path, file_name)

# 读取图片

img = cv2.imread(image_path)

if img is None:

print(f"Error loading image {file_name}")

continue

# 转换为灰度图

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

# 在原图上绘制矩形框

for (x, y, w, h) in faces:

cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

# 注意：OpenCV 图像是BGR，而Matplotlib 期望的是RGB，因此我们需要转换颜色通道

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 显示图像

axs[i].imshow(img_rgb)

axs[i].axis('off') # 关闭坐标轴

# 显示图形

plt.show()

        运行结果如图2-1所示：

图 2-1 

        从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。