用Python爬虫帮助出版社的实习生批量爬取古籍图片

某天中午，一个陌生微信加了老夫的微信，说有个需求需要请教。

收到链接后，马上开撸代码。

1、目标网站分析

主页(图)

主页是一个 table 列表，我们实际需要的数据是 全文影像 的页面里的数据。

全文影像(图)

通过点击页面相关链接，老夫发下如下规律：

1、全文影像 中顶部的分页数字指的是书籍有多少册，如下图有17册。

每册链接是：http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/index.html

这个链接中 006659 指的是书号，001指的是第一册，以此类推

第二页链接：

http://db.sido.keio.ac.jp/kanseki/flipping/006659-002/index.html

第三页链接：

http://db.sido.keio.ac.jp/kanseki/flipping/006659-003/index.html

2、全文影像 中底部的分页数据代表每册有多少页，如下图有25页

第一页的链接如下：

http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/006659-001/assets/basic-html/page-1.html

以此类推 第二页链接如下：

http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/006659-001/assets/basic-html/page-2.html

根据上面的规律，我们需要先爬取每本书有多少册，然后再循环爬取每册有多少个图

2、搭建Python环境

1、安装Python3环境，请自行百度。

2、安装virtualenv环境与系统Python环境隔离。

3、安装Scrapy包

pip install -i https://pypi.doubanio.com/simple/ scrapy

4、创建 scrapy 项目

scrapy startproject bookspider

5、项目结构如下：

3、编写爬虫代码

1、首先新建 url_spider 爬虫，爬取首页获取每本书的链接，并保存到urls.txt中

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import scrapy

class urlSpider(scrapy.Spider):
    name = "urlSpider"

    def start_requests(self):
        urls = [
            'http://db.sido.keio.ac.jp/kanseki/T_bib_line_2.php'
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        basepath = 'http://db.sido.keio.ac.jp/kanseki/'
        hrefs = response.xpath("//a[@name='alrp']").xpath("@href").getall()
        html =''
        for href in hrefs:
            path = basepath+href+","
            html += path

        with open("urls.txt",'w',encoding='utf-8') as wb:
            wb.write(html)
            wb.close()

2、新建 book_spider 爬虫，爬取书籍的书册并且下载每册书的图片，为了测试爬虫老夫只选取了一本书来爬取。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import scrapy
import os
import os.path as opath
from urllib.request import  urlretrieve
class bookSpider(scrapy.Spider):
    name = "book"
    urlStrs = ''
    def start_requests(self):
        with open("urls.txt",'r',encoding='utf-8') as f:
            urlStrs = f.read()
            f.close()
        urls = urlStrs.split(',')

        yield scrapy.Request(url=urls[0],callback=self.parse)

    def parse(self, response):
        books = response.xpath("//div[@id='basic']/ul/li/p/text()").getall()
        iframeUrl = response.xpath("//iframe/@src").get()
        self.logger.info('---------> iframe url is %s',iframeUrl)
        info = self.getUrlInfo(iframeUrl)
        self.logger.info("%s 有 %s 册",info[1],books)
        path='/Users/lxl/Documents/pythonProject/myspider/book/'+info[1]
        if opath.exists(path) is False:
            os.makedirs(path)
        for bookid in books:
            bookurl = info[0]+'/'+info[1]+'-'+self.getbookid(bookid)+'/'+info[1]+'-'+self.getbookid(bookid)+'/assets/basic-html/page-1.html'
            if opath.exists(path+"/"+self.getbookid(bookid)) is False:
                os.mkdir(path+"/"+self.getbookid(bookid))
            yield scrapy.Request(url=bookurl,callback=self.parsebook,meta={'path':path+"/"+self.getbookid(bookid)})

    '''
    解析每册书的信息，并且开始保存图片
    '''
    def parsebook(self,response):
        numstr = response.xpath("//span[@class='pager']/text()").get()
        pages = numstr.split("/")[1].strip() # 总页数
        page = 1
        while page <= int(pages):
            pageurl = self.getPageBasePath(response.url)+'/'+'page-'+str(page)+'.html'
            self.logger.info("处理页面：%s",pageurl)
            yield  scrapy.Request(url=pageurl,callback =self.pageImg,meta={'path':response.meta['path']})
            page += 1


    def pageImg(self,response):
        url = response.xpath("//div[@id='pageContainer']/img/@src").get()
        imgurl = response.urljoin(response.xpath("//div[@id='pageContainer']/img/@src").get())
        self.download(url=imgurl,path=response.meta['path'])
    '''
     解析 iframe 中的 http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/index.html
     返回 （'http://db.sido.keio.ac.jp/kanseki/flipping','006659'）
     006659-001 
     006659:代表书号
     001: 代表册号
    '''
    def getUrlInfo(self,url):
        i = url.rfind("/", 0)
        urlSub = url[0:i]
        ii = urlSub.rindex("/", 0)
        _str = urlSub[ii + 1:]
        cc = _str.split('-')
        baseUrl = urlSub[0:ii]
        arr = (baseUrl, cc[0])
        return arr

    def getbookid(self,bookid):
        if int(bookid) >= 10 and int(bookid) < 100:
            return '0'+bookid
        else:
            return '00'+bookid

    def getPageBasePath(self,url):
        i = url.rindex("/", 0)
        return url[0:i]

    def download(self,url,path):
        i = url.rindex("/",0)
        filename = url[i+1:]
        if opath.exists(path+'/'+filename) is False:
            urlretrieve(url, path + '/' + filename)
            self.logger.info("下载图片链接：%s",url)

4、运行爬虫

最后运行效果如下：

爬取的图片如下：

至此整个爬虫程序就结束了。

5、项目源码

关注公众号老夫撸代码，回复 bookspider 获取源码地址
欢迎各位童鞋提供需求，老夫来帮你实现！