我做一些搜索到谷歌图像
结果是成千上万的照片。我正在寻找一个shell脚本，它将下载前n个图像，例如1000或500。
我该怎么做？
我想我需要一些高级正则表达式或类似的东西。我正在尝试很多事情，但无济于事，有人可以帮助我吗？
更新3：我修复了脚本以使用phantomjs 2.x.
更新2：我修改了脚本以使用phantomjs。它更难安装，但至少它再次工作。 http://sam.nipl.net/b/google-images http://sam.nipl.net/b/google-images.js
更新1：不幸的是，这不再工作。现在看来，JavaScript和其他魔法需要找到图像所在的位置。这是雅虎图片搜索的脚本版本：http://sam.nipl.net/code/nipl-tools/bin/yimg
原来的答案：我为了这个而一起砍了一些东西。我通常会编写较小的工具并将它们一起使用，但是您要求一个shell脚本，而不是三打。这是密码密码。
http://sam.nipl.net/code/nipl-tools/bin/google-images
到目前为止，它似乎工作得很好。请让我知道，如果你可以改进它，或建议任何更好的编码技术(鉴于它是一个shell脚本)。
#!/bin/bash
[ $# = 0 ] && { prog=`basename "$0"`;
echo >&2 "usage: $prog query count parallel safe opts timeout tries agent1 agent2
e.g. : $prog ostrich
$prog nipl 100 20 on isz:l,itp:clipart 5 10"; exit 2; }
query=$1 count=${2:-20} parallel=${3:-10} safe=$4 opts=$5 timeout=${6:-10} tries=${7:-2}
agent1=${8:-Mozilla/5.0} agent2=${9:-Googlebot-Image/1.0}
query_esc=`perl -e 'use URI::Escape; print uri_escape($ARGV[0]);' "$query"`
dir=`echo "$query_esc" | sed 's/%20/-/g'`; mkdir "$dir" || exit 2; cd "$dir"
url="http://www.google.com/search?tbm=isch&safe=$safe&tbs=$opts&q=$query_esc" procs=0
echo >.URL "$url" ; for A; do echo >>.args "$A"; done
htmlsplit() { tr '\n\r \t' ' ' | sed 's/</\n</g; s/>/>\n/g; s/\n *\n/\n/g; s/^ *\n//; s/ $//;'; }
for start in `seq 0 20 $[$count-1]`; do
wget -U"$agent1" -T"$timeout" --tries="$tries" -O- "$url&start=$start" | htmlsplit
done | perl -ne 'use HTML::Entities; /^<a .*?href="(.*?)"/ and print decode_entities($1),"\n";' | grep '/imgres?' |
perl -ne 'use URI::Escape; ($img,$ref) = map { uri_unescape($_) } /imgurl=(.*?)&imgrefurl=(.*?)&/;
$ext = $img; for ($ext) { s,.*[/.],; s/[^a-z0-9].*//i; $_ ||= "img"; }
$save = sprintf("%04d.$ext",++$i); print join("\t",$save,$img,$ref),"\n";' |
tee -a .images.tsv |
while IFS=$'\t' read -r save img ref; do
wget -U"$agent2" -T"$timeout" --tries="$tries" --referer="$ref" -O "$save" "$img" || rm "$save" &
procs=$[$procs + 1]; [ $procs = $parallel ] && { wait; procs=0; }
done ; wait
特征：
> 1500字节以下
>解释用法，如果运行没有args
>并行下载完整的图像
>安全搜索选项
>图像大小，类型等选择字符串
> timeout / retries选项
>模拟googlebot抓取所有图像
>数字图像文件
>保存元数据
我会发布一个模块化的版本一段时间，以表明它可以做相当不错的一套shell脚本和简单的工具。
