刚学的爬虫,之前都是学的爬取静态网页图片,这次尝试爬取百度的图片,用xpath解析网页获取的都是空列表,后来查阅资料才知道百度图片的网页是动态的,采用的都是Ajax+JSON机制。
网页原始数据是没有图片的,通过运行JavaScript,把图片数据插入到网页的HTML标签中。所以我们在开发者工具中虽然能看到这个HTML标签,但是网页的原始数据其实没有这个标签,它只在运行时加载和渲染。真实的图片信息被打包放在JSON文件当中,所以真正要解析的是JSON文件。
百度搜索柯南
点击Network–XHR,在往下滑动滚动条时,会连续出现名为acjson的请求,再点击Preview,我们看到这是一条JSON数据,点开data,我们看到这里面有30条数据,每一条都对应着一张图片。
图片的url地址就在data里面的middleURL中,点击data,然后随便点一条数据,比如0,然后往下面拉,会看到如下图所示结果
但是我们要获取的图片的url地址在json数据里,json文件的url在Headers下的Request URL中,并且我们会发现所有的json文件的url只有pn字段保持以30为步长递增,其余不变
编写我们的spider,因为一个json数据只有30张图片,所以我们要重写start_urls,下图代码的url就是上图中的Request URL,需要将其pn改变,所以用for循环
# -*- coding: utf-8 -*-
import scrapy
from meizi.items import MeiziItem
import json
class MeiziSpiderSpider(scrapy.Spider):
name = 'meizi_spider'
allowed_domains = ['image.baidu.com']
#重写start_urls,按照我们自己的需求
def start_requests(self):
for i in range(30,120,30):
url="https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E6%9F%AF%E5%8D%97&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=&hd=&latest=©right=&word=%E6%9F%AF%E5%8D%97&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&expermode=&force=&pn={}&rn=30".format(i)
# 交给调度器
yield scrapy.Request(url, callback=self.parse)
def parse(self, response):
imgs=json.loads(response.body).get("data") #json文件是一个字典
# print(imgs),imgs是一个列表
for img in imgs:
item=MeiziItem()
item['image_urls']=[img['middleURL']]
print(img['middleURL'])
yield(item)
items文件
import scrapy
class MeiziItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
#image_urls是scrapy下载图片时自带的属性,不可以改变,如果要该成自定义的
#比如 URL=scrapy.Field()
#需要在settings文件中添加 IMAGES_URLS_FIELD='URL' 这个表示图片的url属性是URL
image_urls=scrapy.Field()
settings文件,!!!注意这里为了防止防盗链,在DEFAULT_REQUEST_HEADERS里面一定要添加referer属性,否则下载下来的图片会显示图片失败!!!
BOT_NAME = 'meizi'
SPIDER_MODULES = ['meizi.spiders']
NEWSPIDER_MODULE = 'meizi.spiders'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
"referer":"http://image.baidu.com/search/",
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'User-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36'
}
ITEM_PIPELINES = {
# 'meizi.pipelines.MeiziPipeline': 300,
'scrapy.pipelines.images.ImagesPipeline':1
}
IMAGES_STORE = "E:/meizi/"
# IMAGES_URLS_FIELD='URL'
# LOG_FILE="scrapy.log" 将爬取的状态保存到scrapy.log里面
pipelines文件,因为这里使用了scrapy自带的下载图片功能,所以pipelines文件就不用修改了,只需要在settings文件中将 ‘meizi.pipelines.MeiziPipeline’: 300这句注释掉,添加一句’scrapy.pipelines.images.ImagesPipeline’:1
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
class MeiziPipeline:
def process_item(self, item, spider):
return item
最后执行下start文件
from scrapy import cmdline
cmdline.execute("scrapy crawl meizi_spider".split())