准备工作:
1.创建scrapy项目
cmd命令行(若想创建至桌面,可先 cd desktop) 输入 scrapy startproject +项目名 ,enter根据命令行显示示例依次操作即可
用pycharm打开创建的文件夹,并创建debug.py文件,方便断点调试程序
debug文件内代码
#coding:utf-8
from scrapy.cmdline import execute
execute(['scrapy','crawl','爬虫名'])
代码块:
1.主要代码
# -*- coding: utf-8 -*-
import scrapy
# 引入数据模型类
from ..items import ImgItem
class SucaiSpider(scrapy.Spider):
name = 'sucai'
allowed_domains = ['sc.chinaz.com']
start_urls = ['http://sc.chinaz.com//']
def parse(self, response):
# 200 OK 请求成功
# 302 重定向
# 404 url地址不存在
# 403 没有权限访问,服务器拒绝连接
# 5XX 服务器的错误
# 找到图标的链接
tb_href = response.xpath('//div[@class="nav"]/ul/li[@class="nos"]/a[3]/@href').extract_first('')
# 拼接完整的url
tb_url = 'http://sc.chinaz.com'+tb_href
# 发送一个请求
# 1.url请求的地址 2.callback 回调函数 默认调用parse()
yield scrapy.Request(
url=tb_url,
callback=self.parse_list
)
# 解析所有图标列表
def parse_list(self,response):
# 根据xpath找到所有图标详情页的地址
detail_links = response.xpath('//ul[@class="pngblock imgload"]/li/p/a/@href').extract()
# for循环遍历列表,取出每一个图片的详细地址,发起请求
for link in detail_links:
yield scrapy.Request(
url=link,
# 请求成功了,调用parse_detail解析详情
callback=self.parse_detail,
# 用于请求数据时,携带一些额外的参数
# meta={'hello':'world'}
)
# 找到下一页的链接
next_href = response.xpath('//a[@class="nextpage"]/@href').extract_first('')
# 判断是否有下一页
if next_href:
# 拼接下一页的地址
next_url = 'http://sc.chinaz.com/tubiao/'+next_href
yield scrapy.Request(
url=next_url,
callback=self.parse_list
)
# 解析详情页中的每一张图片地址
def parse_detail(self,response):
# 解析图片分类名称
categray = response.xpath('//h2/a/text()').extract_first('')
# 解析图片地址
imgs_src = response.xpath('//div[@class="png_pic"]/img/@src').extract()
# for循环遍历所有图片的详细地址
for src in imgs_src:
# 创建数据模型对象
img = ImgItem()
# src图片下载地址必须放在列表中
img['src'] = [src]
# 图片分类
img['categray'] = categray
yield img
2. pipelines.py
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
# 引入scrapy自带的图片下载类
from scrapy.pipelines.images import ImagesPipeline
# 引入scrapy
import scrapy
class SucaiSpiderPipeline(object):
def process_item(self, item, spider):
return item
# 1.下载图片 2.指定图片存放目录
# 继承于scrapy自带的图片下载类
class MyImagePipeline(ImagesPipeline):
# 获取图片下载请求的函数
def get_media_requests(self, item, info):
# 1.取出图片下载的url地址
url = item['src'][0]
# 2.根据url地址创建请求对象
request = scrapy.Request(
url=url,
# 利用meta将item传递到file_path函数中
meta={"item":item}
)
# 最终返回一个下载图片的请求对象的列表
return [request]
# 重写file_path指定图片存放路径
def file_path(self, request, response=None, info=None):
# 根据key取出meta中的item,这个item中包含的就是下载图片的数据
item = request.meta['item']
# 取出分类
categray = item['categray']
# 取出图片下载地址
src = item['src'][0]
# 分割获取图片名称
name = src.split('/')[-1]
# 最终只需要将图片的存放路径和图片的名称返回即可
return '%s/%s'%(categray, name)
3. items.py
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class SucaiSpiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
# 新建图片的数据模型
class ImgItem(scrapy.Item):
# 图标的下载地址
src = scrapy.Field()
# 图标的分类
categray = scrapy.Field()
settings.py 自己做相应配置即可