用的是IDEA运行的 

import os
import webbrowser

from icrawler.builtin import BingImageCrawler
from aip import AipFace  # 人脸检测
import base64  # 导包
from pyecharts.charts import Bar
from pyecharts import options as opts

# 用于统计不同年龄阶段人数的频数
count = [0, 0, 0, 0]  # 分别对应婴儿、少年、青年、老人，顺序可根据实际定义调整


def bing_image_crawler(keyword, max_num):
    """
    通过Bing搜索下载图片，具体参数自行调配
    :param keyword: 关键字
    :param max_num: 最大尝试次数
    """
    bing_crawler = BingImageCrawler(
        feeder_threads=2,
        parser_threads=4,
        downloader_threads=8,
        storage={'root_dir': 'bing'}  # 存储到bing目录下
    )
    bing_crawler.crawl(keyword=keyword, max_num=max_num)


def get_file_content(file_path):
    """
    对本地文件进行BASE64编码，以便于后续上传服务器
    :param file_path: 文件的路径，项目根目录的文件直接写文件名
    :return: 编码后的字符串
    """
    file = open(file_path, 'rb')  # 打开文件
    # 开始读取
    data = file.read()
    # 进行BASE64编码
    content = base64.b64encode(data)
    # 还需要使用utf-8解码
    base = content.decode('utf-8')
    # 关闭文件流
    file.close()
    return base


def detect_face(img_base64):
    """
    检测人脸并获取年龄相关信息
    :param img_base64: 图片编码
    :return: 返回JSON原始数据
    """
    # 三个身份识别码
    APP_ID = '16966840'
    API_KEY = 'B0e6QoxUB0gwQxxzWT6fCgMU'
    SECRET_KEY = 'rGQji0R0X76e4CP9rbcdPbcNRdS6EwC9'
    # 创建人脸检测对象
    client = AipFace(APP_ID, API_KEY, SECRET_KEY)
    # 获取年龄信息以及其他可能需要的人脸基础信息
    options = {'face_field': 'age'}
    # 向服务器发起请求
    json = client.detect(img_base64, 'BASE64', options)
    return json


def parse_json(json):
    """
    从服务器返回的JSON数据中提取所需的年龄数据，并划分年龄阶段
    :param json: 服务器返回的JSON数据
    :return: 解析的内容，对应年龄阶段的索引（0：婴儿，1：少年，2：青年，3：老人），-1表示人脸检测失败
    """
    # 先判断人脸检测是否成功
    code = json['error_code']
    if code == 0:
        age = json['result']['face_list'][0]['age']
        if age < 3:
            return 0  # 婴儿
        elif age < 18:
            return 1  # 少年
        elif age < 60:
            return 2  # 青年
        else:
            return 3  # 老人
    else:
        print("失败")
        return -1


def classify():
    """
    按照人脸的年龄阶段进行分类，分类绘制统计图
    :return:
    """
    root_dir = 'bing'  # 图片根目录
    # 返回当前目录下的所有文件列表
    file_list = os.listdir(root_dir)
    print(file_list)
    # 遍历目录
    for i in file_list:
        # 拼接出目录+文件名的格式
        path = root_dir + '/' + i
        print(path)
        # 只有文件才给百度
        if os.path.isfile(path):
            # 转码
            base = get_file_content(path)
            # 百度人脸检测
            json = detect_face(base)
            # 解析数据
            age_stage = parse_json(json)
            # 全局变量
            global count
            # 统计数量
            if age_stage == -1:  # 不是人脸
                continue
            else:
                count[age_stage] += 1
            # 拼接分类文件夹的路径
            dic = root_dir + '/' + ["婴儿", "少年", "青年", "老人"][age_stage]
            # 如果上面的文件夹不存在，则创建
            if not os.path.exists(dic):
                # 创建文件夹
                os.makedirs(dic)
            # 把当前分析的图片移动到对应的子目录中
            # 参数1：源文件的位置
            # 参数2：目标文件位置
            os.rename(path, dic + '/' + i)


def draw_chart(key_word):
    """
    画图
    :param key_word: 图表标题
    """
    global count
    # V1 版本开始支持链式调用
    bar = (
        Bar()
       .add_xaxis(["婴儿", "少年", "青年", "老人"])
       .add_yaxis(key_word, count)
       .set_global_opts(title_opts=opts.TitleOpts(title=key_word + "年龄分布情况"))
    )
    bar.render('数据可视化.html')
    # 通过代码调用浏览器打开结果
    webbrowser.open('数据可视化.html')


if __name__ == '__main__':
    # 录入要爬取的关键字和数量
    keyword = input('请输入要爬取的图片名称：')
    max_num = int(input('请输入要爬取的数量：'))
    # 开始爬取
    bing_image_crawler(keyword, max_num)
    # 图片识别并分类
    classify()
    draw_chart(keyword)

要自己在文件夹里面添加爬虫图片的代码：

运行的网页效果：

人类情绪分类代码：

import os
import webbrowser
from icrawler.builtin import BingImageCrawler
from aip import AipFace
import base64
from pyecharts.charts import Bar
from pyecharts import options as opts

# 用于统计不同情绪的数量，假设可能的情绪有 'happy','sad', 'angry', 'neutral' 等
emotion_count = {'happy': 0,'sad': 0, 'angry': 0, 'neutral': 0}


def bing_image_crawler(keyword, max_num):
    """
    通过Bing搜索下载图片，具体参数自行调配
    :param keyword: 关键字
    :param max_num: 最大尝试次数
    """
    bing_crawler = BingImageCrawler(
        feeder_threads=2,
        parser_threads=4,
        downloader_threads=8,
        storage={'root_dir': 'bing'}  # 存储到bing目录下
    )
    bing_crawler.crawl(keyword=keyword, max_num=max_num)


def get_file_content(file_path):
    """
    对本地文件进行BASE64编码，以便于后续上传服务器
    :param file_path: 文件的路径，项目根目录的文件直接写文件名
    :return: 编码后的字符串
    """
    file = open(file_path, 'rb')  # 打开文件
    # 开始读取
    data = file.read()
    # 进行BASE54编码
    content = base64.b64encode(data)
    # 还需要使用utf-8解码
    base = content.decode('utf-8')
    # 关闭文件流
    file.close()
    return base


def detect_face(img_base64):
    """
    检测人脸
    :param img_base64: 图片编码
    :return: 返回JSON原始数据
    """
    # 三个身份识别码
    APP_ID = '16966840'
    API_KEY = 'B0e6QoxUB0gwQxxzWT6fCgMU'
    SECRET_KEY = 'rGQji0R0X76e4CP9rbcdPbcNRdS6EwC9'
    # 创建人脸检测对象
    client = AipFace(APP_ID, API_KEY, SECRET_KEY)
    # 只要情绪
    options = {'face_field': 'emotion'}
    # 向服务器发起请求
    json = client.detect(img_base64, 'BASE64', options)
    return json


def parse_json(json):
    """
    从服务器返回的JSON数据中提取所需的数据
    :param json: 服务器返回的JSON数据
    :return: 提取的情绪，如果失败则返回None
    """
    # 先判断人脸检测是否成功
    code = json['error_code']
    if code == 0:
        emotion = json['result']['face_list'][0]['emotion']['type']
        return emotion
    else:
        return None


def classify():
    """
    按照人脸的情绪进行分类，统计不同情绪的数量，并将图片移动到以情绪命名的子目录中
    :return:
    """
    root_dir = 'bing'  # 图片根目录
    # 返回当前目录下的所有文件列表
    file_list = os.listdir(root_dir)
    for i in file_list:
        # 拼接出目录+文件名的格式
        path = root_dir + '/' + i
        if os.path.isfile(path):
            # 转码
            base = get_file_content(path)
            # 百度人脸检测
            json = detect_face(base)
            # 解析数据
            emotion = parse_json(json)
            # 全局变量
            global emotion_count
            # 统计不同情绪的数量
            if emotion:
                if emotion in emotion_count:
                    emotion_count[emotion] += 1
                else:
                    emotion_count[emotion] = 1
                # 拼接以情绪命名的子目录路径
                emotion_dir = os.path.join(root_dir, emotion)
                # 如果子目录不存在，则创建
                if not os.path.exists(emotion_dir):
                    os.makedirs(emotion_dir)
                # 把当前分析的图片移动到对应的情绪子目录中
                new_path = os.path.join(emotion_dir, i)
                os.rename(path, new_path)


def draw_chart(key_word):
    """
    画图
    :param key_word: 图表标题
    """
    # 获取情绪类别和对应的数量
    emotions = list(emotion_count.keys())
    counts = list(emotion_count.values())

    bar = (
        Bar()
     .add_xaxis(emotions)
     .add_yaxis(key_word, counts)
     .set_global_opts(title_opts=opts.TitleOpts(title=key_word + "情绪分布情况"))
    )
    bar.render('数据可视化.html')
    # 通过代码调用浏览器打开结果
    webbrowser.open('数据可视化.html')


if __name__ == '__main__':
    # 录入要爬取的关键字和数量
    keyword = input('请输入要爬取的图片名称：')
    max_num = int(input('请输入要爬取的数量：'))
    # 开始爬取
    bing_image_crawler(keyword, max_num)
    # 图片识别并分类
    classify()
    draw_chart(keyword)

给它导入图片后它会自己爬出来，每次爬的结果都不一样