python使用Scrapy框架进行汽车之家宝马图片下载爬虫

(1)、前言

Scrapy框架为文件和图片的下载专门提供了两个Item Pipeline 它们分别是:

FilePipeline

ImagesPipeline

(2)、使用Scrapy内置的下载方法的好处

1、可以有效避免重复下载

2、方便指定下载路径

3、方便格式转换,例如可以有效的将图片转换为png 或jpg

4、方便生成缩略图

5、方便调整图片大小

6、异步下载,高效率

(3)、较为传统的Scrapy框架图片下载方式

1、创建项目:scrapy startproject baoma---cd baoma --创建爬虫scrapy genspider spider car.autohome.com.cn

2、使用pycharm打开项目

改写settings.py

不遵守robots协议

设置请求头

开启pipelines.py

改写spider.py

改写pipelines.py

新建测试py(main.py)

from scrapy import cmdline

cmdline.execute('scrapy crawl spider'.split())

运行结果:(我们成功获取了以catagory分类并以图片地址_后的参数作为图片名的图片)

Scrapy框架提供了两个中间件1、下载文件的Files pipeline 和下载图片的Image pipeline

下载文件的Files pipeline

使用步骤:

1、定义好一个item,然后定义两个属性file_urls 和 files . file_urls是用来存储需要下载的文件的url链接,列表类型

2、当文件下载完成后,会把文件下载的相关信息存储到item的files属性中。例如:下载路径,下载url 和文件的效验码

3、再配置文件settings.py中配置FILES_STORE,指定文件下载路径

4、启动pipeline,在ITEM_PIPELINES中设置scrapy.pipelines.files.FilesPipeline :1

下载图片的Images Pipeline

使用步骤:

1、定义好一个item,然后定义两个属性image_urls 和 images. image_urls是用来存储需要下载的文件的url链接,列表类型

2、当文件下载完成后,会把文件下载的相关信息存储到item的images属性中。例如:下载路径,下载url 和文件的效验码

3、再配置文件settings.py中配置FILES_STORE,指定文件下载路径

4、启动pipeline,在ITEM_PIPELINES中设置scrapy.pipelines.images.ImagesPipeline :1

回到顶部

(4)、使用Images_pipeline进行图片下载(还是以汽车之家图片为例)

改写settings.py

开启自己定义的中间件

改写pipelines,py

运行结果展示:

通过对比我们可以直观感受到下载速度明显提高。

下面我们对图片进行优化,获取高清图片

通过分析缩略图和高清图的url,我们发现缩略图只是多了t_罢了

缩略图地址:https://car3.autoimg.cn/cardfs/product/g24/M08/2F/9E/t_autohomecar__wKgHIVpogfqAIlTbAAUzcUgKoGY701.jpg

高清图地址:https://car3.autoimg.cn/cardfs/product/g24/M08/2F/9E/autohomecar__wKgHIVpogfqAIlTbAAUzcUgKoGY701.jpg

回到顶部

(5)、下面我们获取所有的高清图片

传统思路如下:找到更多获取接口的url,进入详情页--找分页接口(显然这种情况会大大提高我们的工作量,下面我们使用Scrapy框架中的CrawlSpider进行爬取,因为CrawlSpider只要指定响应的规则,爬虫会自动进行爬取,省事省力!)

我们首先分析下url的规律:

https://car.autohome.com.cn/pic/series/65-1.html(更多的第一页url)

https://car.autohome.com.cn/pic/series/65-1-p2.html(更多的第二页url)

改写spider.py

运行结果(展示):(我们成功获取了高清图片到本地)

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于Python requests 和 BeautifulSoup 开发爬虫 爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值