高清图片爬虫

为内容创作爬取 4K 高清配图。支持多个图片来源，按优先级自动切换。

优先级：百度图片搜索（主） → Wallhaven（备） → Unsplash（备）

图片规格目标

• 竖图：高度 2000px 以上（越高越好）
• 横图：宽度 2000px 以上
• 方图：宽高均 1500px 以上
• 风格：真人摄影风格，避开动漫/暴露/擦边内容

尺寸预设速查表

| 预设 | 横图 (landscape) | 竖图 (portrait) | 方图 (square) | 备注 |

|------|----------------|----------------|--------------|------|

| 1080p | 1920×1080 | 1080×1920 | 1080×1080 | 入门级 |

| 1080+ | 2560×1440 | 1440×2560 | 1440×1440 | 强化爬取（&z=7） |

| 1.5K | 2250×1266 | 1266×2250 | 1500×1500 | 中端 |

| 2K | 2560×1440 | 1440×2560 | 2000×2000 | 2K 级别 |

| 4K | 3840×2160 | 2160×3840 | 3840×3840 | 高清（默认） |

| 8K | 7680×4320 | 4320×7680 | 7680×7680 | 超高清 |

> 1080+ 会强制加 &z=7 参数，告诉百度优先返回近期高质量图片，爬取效果显著优于普通模式。

存储路径

> 重要：脚本默认输出到当前工作目录下的 image-scraper-downloads/ 文件夹。

> 可用 --output 自定义路径（支持绝对路径和相对路径）。

# 默认（当前工作目录/image-scraper-downloads/）
python3 scripts/baidu_image_scraper_v8.py --keyword "JK少女" --count 100

# 自定义输出目录
python3 scripts/baidu_image_scraper_v8.py --keyword "JK少女" --count 100 --output ./my-images/

一、百度图片搜索（主选）

> 图源最丰富，包含 B站、得物、大众点评、爱奇艺等高质量 CDN 内容，竖图可达 4K+，横图可达 5K+

缺点：需要浏览器渲染提取图片 URL，无法直接 curl

推荐脚本（v8 重构版，一键运行）

# ── 单关键词爬取（最常用）────────────────────────
# 目标自动 × 1.2，内部 buffer；关键词不够自动换备用词；下载完自动去重+删低质量
# 默认输出到 ./image-scraper-downloads/
python3 scripts/baidu_image_scraper_v8.py --keyword "JK少女" --count 100
python3 scripts/baidu_image_scraper_v8.py --keyword "JK少女" --count 200 --output ./my-images --z 7 --scroll 20
python3 scripts/baidu_image_scraper_v8.py --keyword "JK少女" --count 100 --ratio portrait --z 7
python3 scripts/baidu_image_scraper_v8.py --keyword "4K风景" --count 50 --ratio landscape

# ── 多关键词补充爬取 ─────────────────────────────
# 自动换关键词，直到达到目标数量
python3 scripts/baidu_image_scraper_v8.py --keywords "JK制服 少女" "JK 高清美女" "日本JK制服" --count 500 --output ~/photos

# ── 从已有链接文件下载 ─────────────────────────────
python3 scripts/baidu_image_scraper_v8.py --from-file links.json --output output --count 100

# ── 清理（手动）─────────────────────────────────
python3 scripts/baidu_image_scraper_v8.py --clean --output ~/photos

前置要求：agent-browser 命令可用（WorkBuddy 内置）

v8 核心改进（重构版）：

| 改进 | 说明 |

|------|------|

| 移除 hover | 百度新版不再生成 tn=download 链接，hover 逻辑已废弃 |

| 直接提取 objurl | 从 .img-cell-w6C5O 的 data-show-ext 属性直接提取原图 URL |

| 更快更稳定 | 无需等待 hover 触发，数据已在 DOM 中 |

| 全图源支持 | 支持抖音、B站、得物等所有来源的原图下载 |

| 原子计数器 | AtomicCounter 类，线程安全的文件名生成 |

| 实时进度 | 每 20 张打印一次进度 |

| 哈希去重 | 下载前 MD5 校验，避免重复下载 |

| 分批下载 | 100 张/批，边提取边下载 |

| 自动后处理 | MD5去重 → 删除低质量图 → 重命名编号 |

技术流程（v8 新方案）：打开搜索页 → 最大化窗口 → 等待图片网格渲染 → 滚动加载 → 直接从 .img-cell-w6C5O 的 data-show-ext 属性提取 objurl（原图URL）→ 立即并发下载每一批 → MD5 哈希去重

> 核心原则：直接下载 objurl（原图 URL）

> objurl 是百度图片搜索结果中的原图地址，包含在 data-show-ext JSON 属性中。

> 抖音等来源的 objurl 可以直接下载（经过百度 CDN 缓存）。

技术要点

| 项目 | 说明 |

|------|------|

| 数据位置 | .img-cell-w6C5O 元素的 data-show-ext 属性（JSON 格式） |

| 原图 URL | data-show-ext.objurl |

| 其他字段 | url（缩略图）、title（标题）、cs、setsign |

| 抖音图片 | 直接使用 objurl 下载，无需特殊处理 |

| JS 引号 | 提取 JSON 属性时自动解析 |

| 浏览器窗口 | 每次打开后最大化 |

| 链接来源 | miaobi-lite.cdn.bcebos.com（百度 CDN）、douyinpic.com 等 |

图源质量排名

竖图（portrait）推荐

| 排名 | 来源 | 典型分辨率 | 质量 | 备注 |

|------|------|-----------|------|------|

| 🥇 | p1.meituan.net（美团CDN） | 4480×6720 | 极高 3MB+ | 来源极丰富 |

| 🥈 | q1.itc.cn / q8.itc.cn（爱奇艺CDN） | 3000×4000 | 高 | 竖图横图均有 |

| 🥉 | b0.bdstatic.com（百度CDN） | 2000×2667 | 高 | 竖图来源多 |

| 4 | pic.rmb.bdstatic.com（贴吧/百科CDN） | 1080×1621 | 高 | 稳定，直链 |

| 5 | image-cdn.poizon.com（得物CDN） | 1280×1920 | 高 | 稳定 |

| 6 | dpfile.com（大众点评CDN） | 1440×1920 | 高 | 竖图方图均有 |

| 7 | photo.tuchong.com（图虫摄影） | 1080×1620 | 中高 | 真实摄影风格 |

横图（landscape）推荐

| 排名 | 来源 | 典型分辨率 | 质量 | 备注 |

|------|------|-----------|------|------|

| 🥇 | q4.itc.cn（爱奇艺CDN） | 5307×4009 | 极高 | 最佳横图来源 |

| 🥈 | 5b0988e595225.cdn.sohucs.com（搜狐CDN） | 3500×2214 | 高 | 质量极高 |

| 🥉 | b0.bdstatic.com（百度CDN） | 2560×1440 | 高 | 横图约2000px |

| 4 | i0.hdslb.com / i1.hdslb.com（B站CDN） | 2560×1440 | 高 | 稳定 |

| 5 | dpfile.com（大众点评CDN） | 3070×2048 | 高 | |

已知不可用 / 不稳定来源

| 来源 | 原因 |

|------|------|

| douyinpic.com（抖音） | ✅ 可以下载！ v8 新方案直接提取 objurl 下载，无需百度代理。objurl 指向 miaobi-lite.cdn.bcebos.com（百度 CDN 缓存），可直接访问。 |

| sinaimg.cn（新浪微博） | 需正确 Referer，直接curl被拦截 |

| iknow-pic.cdn.bcebos.com（百度百科） | 需百度 Referer，外部无法访问 |

| gimg2.baidu.com（百度搜索图） | 同上，需百度 Referer |

| nimg.ws.126.net（网易云音乐） | Referer限制，下载返回0字节 |

| p3-tt.byteimg.com（字节/头条） | 需今日头条/抖音 Referer |

注意事项

• 大量下载（>200张）：用 --keywords 多关键词模式，自动切换关键词补充到目标数量
• 竖图用 --ratio portrait：更容易找到 4K+ 内容
• 高质量用 --z 7：百度优先返回近期高质量图片
• JS 选择器必须用单引号：'a[href=down]'，双引号 "a[href=down]" 会被 PowerShell 截断命令
• 百度链接会过期：必须分批提取+立即下载，不要一次性提取所有链接后再下载

二、WALLHAVEN.CC（备选）

> 纯 API 调用，无需浏览器。竖版图片多，分辨率普遍 3500x5250 ~ 4096x4096

API 调用

https://wallhaven.cc/api/v1/search?q=关键词&categories=111&purity=100&topRange=1M&page=1

| 参数 | 值 | 说明 |

|------|-----|------|

| q | 搜索词 | jk, school girl, portrait 等 |

| categories | 111 | 人物分类 |

| purity | 100 | 清除 NSFW |

| topRange | 1M | 最近一个月最热门 |

| page | 1 | 分页 |

搜索词推荐

jk, jk portrait, jk school, portrait photography, candid portrait

三、UNSPLASH（备选）

> 真实摄影风格为主，原图可达 4000-9500px

# 下载原图（关键：加 ?q=100&fm=jpg&raw=1）
curl -s -o output.jpg "https://images.unsplash.com/photo-xxx?q=100&fm=jpg&raw=1"

自动化使用规范

配图优先级：百度图片搜索（主） → Wallhaven（备） → Unsplash（备）

配图规范写作模板：

> 配图从百度图片搜索爬取高清图（详见本 skill），严禁AI生成图片。

>

> 百度图片（v8 重构版）：

> - 单关键词：python scripts/baidu_image_scraper_v8.py --keyword "关键词" --count 数量

> - 多关键词：python scripts/baidu_image_scraper_v8.py --keywords "词1" "词2" --count 数量 --output "目录"

> - 竖图：加 --ratio portrait --z 7

> - 横图：加 --ratio landscape --z 7

> - 清理去重：python scripts/baidu_image_scraper_v8.py --clean --output "目录"

>

> 从已有链接文件下载：python scripts/baidu_image_scraper_v8.py --from-file links.json --output "目录" --count 数量

>

> 百度不够时用 Wallhaven：wallhaven.cc/api/v1/search?q=关键词&categories=111&purity=100

>

> 再不够用 Unsplash：下载时加 ?q=100&fm=jpg&raw=1 参数

>

> 禁止使用：摄图网、知乎、image.so.com、Picsum 等平台

>

> 注意：v8 直接从 data-show-ext.objurl 提取原图 URL，支持所有来源（含抖音）

各平台配图尺寸建议

| 平台 | 尺寸预设 | 说明 |

|------|---------|------|

| 公众号文章配图 | 4K_landscape（3840×2160） | 16:9 横图 |

| 公众号贴图 | 4K_portrait（2160×3840） | 9:16 竖图 |

| 小红书封面/竖图 | 4K_portrait 或 1080+_portrait | 3:4 竖图最佳 |

| 小红书笔记配图 | 4K_square 或 1080+_square | 1:1 方图 |

| 微博配图 | 4K_landscape 或 4K_square | 横图或方图 |

常见问题

Q1: 下载数量不足（比如要500张只下到300张）

原因：百度页面加载的图片数量有限，部分链接下载失败（403/超时）。

解决：

1. 用 --keywords 多关键词模式：--keywords "JK少女" "JK制服 少女" "JK 高清美女"
2. 增加 --scroll 参数，比如 --scroll 25 或 --scroll 30
3. 脚本已内置去重，重复运行不会下载相同图片

Q2: 有很多重复图片

原因：同一图片可能在不同索引位置，或多次运行脚本导致。

解决：

1. 脚本已内置 MD5 哈希去重，下载时会自动跳过已存在的图片
2. 手动清理：python scripts/baidu_image_scraper_unified.py --clean --output "目录"
3. 清理模式会：删除小文件 + 哈希去重 + 重新编号

Q3: 抖音图片下载失败

原因：旧方案中直接下载抖音原始 URL（url= 参数）会 403。

解决：v8 新方案直接提取 data-show-ext.objurl，该 URL 指向百度 CDN 缓存（miaobi-lite.cdn.bcebos.com），可直接下载。

Q4: 脚本看起来"卡住不动"

可能原因：

1. 滚动阶段需要等待（每次 1.2 秒 × 滚动次数）
2. 大量链接下载中（每批 100 张，默认 8 线程）
3. 页面加载慢或出现验证码

解决：v7 已增加实时进度打印，可以看到每 20 张的下载进度。如果长时间无输出，可能是百度触发了验证码，需要手动关闭浏览器重试。

脚本清单

| 脚本 | 说明 | 状态 |

|------|------|------|

| scripts/baidu_image_scraper_v8.py | v8 重构版 - 优先 objurl，失败用 url 兜底 | ✅ 唯一脚本 |

禁止使用

• ❌ 摄图网（分辨率低）
• ❌ 知乎图片（压缩严重）
• ❌ image.so.com（质量差）
• ❌ Picsum（随机图，不相关）
• ❌ AI 生成图片（任何平台）