Python爬虫之scrapy下载文件和图片

一：pipeline

scrapy为下载 item上包含的文件（比如在爬取到产品时，同时也想保存对应的图片）提供了一个可重用的item pipelines。这些pipeline 有些共同的方法和结构（我们称之为media pipeline)。一般来说你会使用Files Pipeline或者images pipelines。

为什么要选择scrapy内置的下载文件的方法
1：避免重新下载最近已经下载过的数据
2：可以方便的指定文件存储的路径
3：可以将下载的图片转换成通用的格式。如：png,jpg
4：可以方便的生成缩略图
5：可以方便的检测图片的宽和高，确保他们满足最小限制
6：异步下载，效率非常高

二：使用scrapy下载图片

2.1 创建scrapy项目

(crawler) F:\WWWROOT\crawler>scrapy startproject bmw

1.2 创建爬虫

(crawler) F:\WWWROOT\crawler>scrapy genspider bmw5 "car.autohome.com.cn"

1.3 配置文件设置

ROBOTSTXT_OBEY = False 
DOWNLOAD_DELAY = 1
DEFAULT_REQUEST_HEADERS = {
   
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11'
}
ITEM_PIPELINES = {
   
   'bmw.pipelines.BmwPipeline': 300,
}

1.4 编写启动文件

from scrapy import cmdline
cmdline.execute("scrapy crawl bmw5".split())

启动文件用来代替命令行启动，文件放在项目根目录下

1.5 爬取数据

import scrapy
from bmw.items import BmwItem
class Bmw5Spider(scrapy.Spider):
    name = 'bmw5'
    allowed_domains = ['car.autohome.com.cn']
    start_urls = ['https://car.autohome.com.cn/pic/series/587.html']
    def parse(self, response):
        ui_boxes = response.xpath('//div[@class="uibox"]')[1:]
        for ui_box in ui_boxes:
            category = ui_box.xpath('.//div[@class="uibox-title"]/a/text()').get()
            urls = ui_box.xpath('.//ul/li/a/img/@src'</