网页中base64图片主要藏在img标签的src属性（以data:image/xxx;base64,开头），也常见于css的background-image:url()内；需用不区分大小写的正则提取，注意动态渲染内容须用selenium或playwright获取，静态页可用beautifulsoup+requests；解码前应清理空白、补全padding并捕获异常；扩展名应从mime类型自动映射，文件名建议用哈希避免重复，批量处理时需限流防oom。
怎么识别网页里藏Base64图片的![]()
标签
网页中Base64图片通常出现在 img 标签的 src 属性里，值以 data:image/xxx;base64, 开头。直接用正则或BeautifulSoup提取时，别只匹配 base64, —— 有些会缺空格或大小写混用（比如 DATA:IMAGE/JPEG;BASE64,），建议用不区分大小写的正则：r'data:image/[^;]+;base64,([^"]+)'。
常见坑：JavaScript动态插入的图片不会出现在原始HTML里，requests.get() 拿不到；得用Playwright或Selenium抓渲染后页面。但多数静态页用 BeautifulSoup + requests 就够了。
如何安全解码并校验Base64字符串
不是所有看起来像Base64的字符串都能直接 base64.b64decode() —— 可能含空格、换行、URL-safe字符（- 和 _），也可能长度不对（Base64长度必须是4的倍数）。
- 先用
re.sub(r'\s+', '', b64_str)去掉空白符 - 补等号：如果长度模4不为0，用
b64_str += '=' * (4 - len(b64_str) % 4) - 捕获
binascii.Error异常，跳过无效编码，避免程序中断
保存图片时如何自动推断文件扩展名
Base64头部的 image/xxx 部分就是MIME类型，比如 image/png → 扩展名 .png，image/jpeg → .jpg。别硬写死 .png，否则JPEG会被当PNG打开失败。
实操建议：
- 从
data:image/png;base64,...中提取png部分，映射到扩展名：{'png': 'png', 'jpeg': 'jpg', 'gif': 'gif', 'webp': 'webp'} - 遇到未知类型（如
image/bmp），默认用.bin并加日志告警 - 文件名建议用哈希（如
hashlib.md5(b64_str.encode()).hexdigest()[:8]）避免重复，别直接用序号
批量处理时要注意磁盘和内存压力
一个大网页可能含几十个Base64图片，每个几MB，全解码进内存再写文件容易OOM。别一次性 base64.b64decode() 所有数据。
更稳的做法：
- 逐个处理：提取→解码→保存→清空变量（
del decoded_data） - 写入用
open(..., 'wb')直接二进制写，别用字符串拼接 - 加简单限流：每处理5张
time.sleep(0.1)，防瞬时IO打满
真正麻烦的是嵌套在CSS background-image: url(data:image/...) 里的Base64，这种得额外用正则扫 <style></style> 和 style="" 属性——很多人漏掉这点，结果只抓到一半图片。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
