用Python做一个”以图搜番”的应用程序，再也不愁动漫图片的出处啦

前言

喜欢看动漫的朋友们大概都能体会到一个难受的事情，就是在论坛或者群聊里面看到一张动漫截图，很想知道它的出处，但百度搜了一圈却也没有一个可靠结果，就很郁闷。今天就来带大家用Python做一个简单的“以图搜番”小应用。应用本身的实现不是很难的事情，其实就是调用别人的API接口来实现，主要目的还是通过这个案例来学习以下内容：

PyQt5界面设计

如果用 Python 语言开发 跨平台 的图形界面的程序，主要有3种选择：

本教程使用的就是PyQt5，它是Digia的一套Qt5应用框架与python的结合，同时支持2.x和3.x。本教程使用的是3.x。Qt库由Riverbank Computing开发，是最强大的GUI库之一 ，官方 站：
https://www.riverbankcomputing.com/software/pyqt/。PyQt5是由一系列Python模块组成。超过620个类，6000函数和方法。能在诸如Unix、Windows和Mac OS等主流操作系统上运行。PyQt5有两种证书，GPL和商业证书。安装方法：pip install PyQt5

使用Qt Designer绘制界面

在设计一个图形化界面的应用时，我们需要先绘制出其大致布局，可以在草稿纸上勾勒一下，然后通过PyQt5中的Qt Designer应用来设计，它的文件名叫designer.exe，找不到位置可以在本地文件中搜索一下：

下图为本应用的一个界面初步设计，通过标注的四个区域相互配合，即可完成一个UI设计，该工程会保存为一个.ui后缀名的UI文件，最好放在Python代码文件一起。本次界面设计并不复杂，两个按钮，一个打开图片，另一个点击后开始查询；一个QComboBox部件，用于选择备选结果；一个图片显示区域，显示打开的查询图片，一个结果显示区域，显示查询结果具体内容。界面下面是视频显示区域，即该图片出现在原动画中的视频片段。

具体的Qt Designer基本使用方法我就不在这里展开了，如果你第一次用，可以参考这个入门视频教程：
https://www.bilibili.com/video/BV1cJ411R7bP ，讲得还挺好，我就是跟着这个视频入门学习的。它的文字版教程在这里：
http://www.python3.vip/tut/py/gui/qt_01/

视频部件插入小技巧

第三步：设置“提升的类名称”为QVideoWidget，“头文件”为PyQt5.QtMultimediaWidgets

第四步：点击添加，然后点击提升。
反应到编译的Python代码中，其实就是增加了一句from PyQt5.QtMultimediaWidgets import QVideoWidget

在使用时，可以参考下面代码使用（仅仅是一个示例），此处仅仅播放视频，没有暂停、显示进度条等功能，如需增加，可以参考这篇教程：
https://stackoverflow.com/questions/57842104/how-to-play-videos-in-pyqt

from PyQt5.QtMultimedia import QMediaContent, QMediaPlayer# 首先初始化一个mediaPlayerself.mediaPlayer = QMediaPlayer(None, QMediaPlayer.VideoSurface)self.mediaPlayer.setVideoOutput(self.ui.VideoDisplay)# 在需要使用这个mediaPlayer的函数中，从本地打开视频并播放self.mediaPlayer.setMedia(QMediaContent(QUrl.fromLocalFile(file_name)))self.mediaPlayer.play()

解码器下载

另外，需要下载一个解码器，不然播放mp4视频的时候会如下图一样 错。解码器的话下载安装 LAV 解码器就好，下载地址：LAV 0.74.1: Installer (both x86/x64)

功能实现

trace.moe API介绍与视频

它背后的实现依靠的是大数据+基于内容的图像检索（Content-based image retrieval ，CBIR），“基于内容”意味着搜索分析图像的内容，而不是与图像相关的元数据，如关键字、标签或描述。术语“内容”在这个上下文中可能指的是颜色、形状、纹理或任何其他可以从图像本身衍生出来的信息。CBIR使用起来比较方便，因为它不需要标注信息，而纯粹依赖元数据的搜索依赖于标注的质量和完整性。wikipedia上有列出很多CBIR engines，trace.moe则使用了Lire。对于图像的描述，trace.moe则仅仅使用了颜色布局（Color Layout ）。另一方面就是大数据，其背后的数据支撑为30096小时的视频内容（大约26亿帧），来自于3194部动画，大约18.1 TB大小。7.46亿帧索引(重复数据删除后)，数据库大小为140 GB。具体实现细节可以参考：trace.moe slide和trace.moe github 项目。

如果你不关心实现细节，可以直接看下面的API接口使用。

import requestsimg_path = 'xxx.png'traceMoe_api = "https://trace.moe/api/search"files = {"image": ('anime.png', open(img_path, 'rb'))}res = requests.post(traceMoe_api, files=files)

返回一个json结果，内容如下：

其中docs则包含了可能的结果，其内容如下：

得到这些内容后，就可以下载对应的视频片段：

url = f"https://trace.moe/preview.php?anilist_id={item['anilist_id']}&file={item['filename']}&t={item['at']}&token={item['tokenthumb']}"video = requests.get(url)with open(item['filename'], 'wb') as f:    f.write(video.content)

当然，也不是每天无限制请求的，普通用户每天只能查询150次

使用Nuitka打包成exe文件

Nuitka的作用是将Python程序转换成C语言的可执行elf文件。这样在运行时就可以享受到C语言处理过程中的优化，提高速度。经测试，Nuitka打包后的exe比Pyinstaller打包后的exe运行速度提升30%，PyQT5的UI文件转换成py文件转换成C语言后，界面秒开呀。第一步：下载MinGW64 8.1，解压文件到C盘根目录，并将bin路径加入到环境变量中。然后安装Nuitka：pip install nuitka；

这样就表示成功了：

import的系统库，使用python3x.dll来执行，其他自己实现的UI界面和数据库的连接以及函数和功能实现，需要加密（反编译）和快速反应的，用户的体验就在这里，这部分借助Nuitka来实现。以下是Nuitka的关键命令段：–nofollow-imports #所有的import全部不使用，交给python3x.dll执行 –follow-import-to=need #need为你需要编译成C/C++的py文件夹命名——引用自：Python打包exe(32/64位)-Nuitka再下一城

第二步：调试阶段，逐个加入所需的轮子文件：首先运行nuitka –standalone –mingw64 –show-memory –show-progress –nofollow-imports –plugin-enable=qt-plugins –follow-import-to=need –output-dir=output app_main.py

第三步：生成阶段，
运行
nuitka –standalone –windows-disable-console –mingw64 –nofollow-imports –show-memory –show-progress –plugin-enable=qt-plugins –follow-import-to=need –recurse-all –output-dir=output app_main.py，然后将刚刚找到库文件复制到app_main.dist文件夹下。这样就基本完成了打包，进入app_main.dist中，点击app_main.exe即可运行（前提是安装了LAV 解码器，不然视频不会显示！）。

下面演示一下：