目录
前言
Media Pipeline
启用Media Pipeline
使用 ImgPipeline
抓取妹子图
瞎比比与送书后话
前言
我们在抓取数据的过程中，除了要抓取文本数据之外，当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗？答案是，当然的。说来惭愧，我也是上个月才知道，在 zone7 粉丝群中，有群友问 scrapy 怎么爬取图片数据？后来搜索了一下才知道。现在总结一下分享出来。
Media Pipeline
我们的 itempipeline 处理可以处理文字信息以外，还可以保存文件和图片数据，分别是 FilesPipeline 和 ImagesPipeline
Files Pipeline
避免重新下载最近已经下载过的数据
指定存储路径
FilesPipeline的典型工作流程如下：
在一个爬虫里，你抓取一个项目，把其中图片的URL放入 file_urls 组内。
项目从爬虫内返回，进入项目管道。
当项目进入 FilesPipeline，file_urls 组内的URLs将被Scrapy的调度器和下载器（这意味着调度器和下载器的中间件可以复用）安排下载，当优先级更高，- - 会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成文件的下载（或者由于某些原因未完成下载）。
当文件下载完后，另一个字段(files)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址（从 file_urls 组获得）和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_urls 组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在 files 组中。
Images Pipeline
避免重新下载最近已经下载过的数据
指定存储路径
将所有下载的图片转换成通用的格式（JPG）和模式（RGB）
缩略图生成
检测图像的宽/高，确保它们满足最小限制
启用Media Pipeline
# 同时启用图片和文件管道
ITEM_PIPELINES = { # 使用时，请修改成你自己的 ImgPipeline
'girlScrapy.pipelines.ImgPipeline': 1,
}
FILES_STORE = os.getcwd() + '/girlScrapy/file' # 文件存储路径
IMAGES_STORE = os.getcwd() + '/girlScrapy/img' # 图片存储路径
# 避免下载最近90天已经下载过的文件内容
FILES_EXPIRES = 90
# 避免下载最近90天已经下载过的图像内容
IMAGES_EXPIRES = 30
# 设置图片缩略图
IMAGES_THUMBS = {
'small': (50, 50),
'big': (250, 250),
}
# 图片过滤器，最小高度和宽度，低于此尺寸不下载
IMAGES_MIN_HEIGHT = 128
IMAGES_MIN_WIDTH = 128
需要说明的是，你下载的图片名最终会以图片 URL 的 hash 值命名，例如：
0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg
最终的保存地址为：
your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg
使用 ImgPipeline
这是我 demo 中的一个 ImgPipeline，里面重写了两个方法。
from scrapy.pipelines.images import ImagesPipeline
class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
image_url = image_url
yield scrapy.Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
return item
分别是：
get_media_requests(self, item, info):
item_completed(self, results, item, info):
get_media_requests(self, item, info):
在这里，我们可以获取到 parse 中解析的 item 值，因此我们可以获取到相应的图片地址。在这里返回一个 scrapy.Request(image_url) 去下载图片。
item_completed(self, results, item, info):
item 和 info 打印出来都是 url 地址列表。其中 results 打印出来是如下值。
# 成功
[(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',
'checksum': '98eb559631127d7611b499dfed0b6406',
'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]
# 错误
[(False,
Failure(...))]
抓取妹子图
ok，理论部分也讲完了，那我们来实践一下吧
spider
spider 部分很简单，如下：
class GirlSpider(scrapy.spiders.Spider):
name = 'girl'
start_urls = ["http://www.meizitu.com/a/3741.html"]
def parse(self, response):
soup = BeautifulSoup(response.body, 'html5lib')
pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有图片
link_list = []
item = ImgItem()
for i in pic_list:
pic_link = i.get('src') # 拿到图片的具体 url
link_list.append(pic_link) # 提取图片链接
item['image_urls'] = link_list
print(item)
yield item
item
class ImgItem(scrapy.Item):
image_urls = scrapy.Field()#图片的链接
images = scrapy.Field()
ImgPipeline
class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
image_url = image_url
yield scrapy.Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
return item
启动
scrapy crawl girl
最终爬取结果如下：
删除了某些不适内容，哈哈哈
为了帮助小伙伴们更好的学习Python，小编整理了Python的相关学习视频及学习路线图，添加小编学习群943752371即可获取
网友评论