Python项目-Day46-Scrapy框架之利用ImagesPipeline下载图片.md

##Python项目-Day46-Scrapy框架之利用ImagesPipeline下载图片

  1. 确定下载的图片

    找到图片的url并存在items

     item['img'] = link.select('div/a/img/@data-original').extract()[0]	
    

    这里找图片的src时会有一个问题,明明在浏览器中使用检查看到图片上是有src属性的,但是用scrapy shell去取的时候并没有src属性,这是因为srcapy爬取的response中并没有src

    这是浏览器检查时看到的,是有src的

     <img class="thumb" style="width: 253px; height: 169px; display: inline;"
      data-original="https://www.ziyuan.tv/wp-content/themes/Git-alpha/timthumb.php?src=https://www.ziyuan.tv/wp-content/uploads/2015/02/162931fJ7.png&amp;h=169&amp;w=253&amp;q=90&amp;zc=1&amp;ct=1" 
     alt="圆梦站长网源码,DEDECMS内核,站长资源下载站源码,站长类站点源码" 
     src="https://www.ziyuan.tv/wp-content/themes/Git-alpha/timthumb.php?src=https://www.ziyuan.tv/wp-contentuploads/2015/02/162931fJ7.png&amp;h=169&amp;w=253&amp;q=90&amp;zc=1&amp;ct=1">
    

    但是,其实源代码是这样的:

     <img class="thumb" style="width:253px;height:169px" 
     data-original="https://www.ziyuan.tv/wp-content/themes/Git-alpha/timthumb.php?src=https://www.ziyuan.tv/wp-content/uploads/2015/02/162931fJ7.png&h=169&w=253&q=90&zc=1&ct=1" 
     alt="圆梦站长网源码,DEDECMS内核,站长资源下载站源码,站长类站点源码" />
    

    解决方法:

     可以使用data-original代替src(最简单的方法)
    
  2. 取到图片的url之后,交给管道处理

    • 新建一个类GetImagePipeline(注意一定要继承ImagesPipeline)

      from scrapy.pipelines.images import ImagesPipeline

    • 可以事先在另一个管道先进行数据清理.

    • 定义请求的request的headers

        default_headers = {
                'accept': 'image/webp,image/*,*/*;q=0.8',
                'accept-encoding': 'gzip, deflate, sdch, br',
                'accept-language': 'zh-CN,zh;q=0.8,en;q=0.6',
                'cookie': 'bid=yQdC/AzTaCw',
                'referer': '',
                'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
            }
      
    • 重写file_path方法,定义图片的文件名

        def file_path(self, request, response=None, info=None):
            print("执行了file_path方法")
            item = request.meta['item']
            folder = item['title']
            # folder_strip = self.strip(folder)
            image_guid = request.url.split('/')[-1]
            filename = u'full/{0}/{1}'.format(folder, image_guid)
            return filename
      

      其中meta是用来在两个方法之间传递参数的

    • 重写get_media_requests方法来请求图片

        def get_media_requests(self, item, info):
            print("执行了get_media_requests")
            referer = item['img']
            self.default_headers['referer'] = referer
            yield Request(item['img'], headers=self.default_headers, meta={'item': item, 'referer': referer})
      
    • 重写item_completed方法完成了图片

        def item_completed(self, results, item, info):
            print("--------results-------")
            print(results)
            print("执行了item_completed方法")
      
            image_paths = [x['path'] for ok, x in results if ok]
            if not image_paths:
                raise DropItem("Item contains no images")
            return item
      

      results是一个元组列表

        [(True, {'url': 'https://www.ziyuan.tv/wp-content/themes/Git-alpha/timthumb.php?src=https://www.ziyuan.tv/wp-content/uploads/2018/05/aa9c9f7dd639cc0262d9eb583398abc1-4.png&h=169&w=
        253&q=90&zc=1&ct=1', 'path': "full/['爱搜资源网整站源码清新蓝调模板后台地址 admin1 账号刘小顺 520 密码 lzs128451此处内容已经被作者隐藏,请输入验证码查看内容验证码:请关注本站微信公
        众号,回复“验证码”,获取验证码。在微信里搜索“ 小说骑士”或者“ziyuan_tv”或者微信扫描右侧二维码都可以关注本站微信公众号。此处内容已经被作者隐藏,请输入验证码查看内容验……']/aa9
        c9f7dd639cc0262d9eb583398abc1-4.png&h=169&w=253&q=90&zc=1&ct=1", 'checksum': '67b69ec35fa370d03ed9a314252821f3'})]
      
    • 最后,需要在settings.py中进行设置

        #设置图片的下载路径
        IMAGES_STORE = r'D:\images'
        #设置图片的过期天数,30天内不再重复抓取
        IMAGES_EXPIRES = 30
        #大图和小图
        IMAGES_THUMBS = {
        		    'big': (270, 270),
        		    'small': (80, 80)
        		}
      
  3. 项目代码

    • items.py

        import scrapy
        from scrapy.item import Item,Field
        class ZiyuanItem(scrapy.Item):
            href=Field()#域
            title=Field()
            date=Field()
            resourse_type=Field()
            img=Field()
            image_paths = Field()
      
    • ziyuanSpider.py

        import scrapy
        from urllib import parse
        import string
        from myspiders.items import ZiyuanItem
        class ZiyuanspiderSpider(scrapy.Spider):
            name = 'ziyuanSpider'
            allowed_domains = ['ziyuan.tv']
            start_urls = ["https://www.ziyuan.tv/yuanma/"]
            custom_settings = {
                # 'SOME_SETTING': 'some value',
                "ITEM_PIPELINES":{
                    # 'myspiders.pipelines.ResPipeline': 400,
                    'myspiders.imagePipelines.ImagePipeline': 400,
                    'myspiders.imagePipelines.GetImagePipeline': 500,
                }
            }
        
            def start_requests(self):
                url_s = "https://www.ziyuan.tv/"
                query={
                    "search":"资源",
                }
        
                for i in range(1,3):
                    url = url_s + "search" + '/' + query["search"] + '/page/' + str(i)
                    url = parse.quote(url, safe=string.printable)
                    print(url)
                    yield scrapy.FormRequest(url=url,callback=self.parse)
        
            def parse(self, response):
                print("开始解析数据")
                links=response.xpath('//div[@class="card-item"]')
                items=[]
                for link in links:
                    item = ZiyuanItem()
                    item['title'] = link.xpath('p/text()').extract()[0]
                    item['href'] = link.xpath('div/a/@href').extract()[1]
                    item['date'] = link.xpath('div[@class="cardpricebtn"]/text()').extract()
                    item['resourse_type'] = link.xpath('.//a[@class="metacat"]/text()').extract()
                    item['img'] = link.select('div/a/img/@data-original').extract()[0]
        
                    print("-------------------")
                    print("item:",item)
        
                    items.append(item)
                    yield item
                print("回来-----------------")
                return items
      
      • settings.py

          #设置图片下载路径
          IMAGES_STORE = r'D:\images'
          IMAGES_EXPIRES = 30
          IMAGES_THUMBS = {
          		    'big': (270, 270),
          		    'small': (80, 80)
          		}
        
      • imagePipelines

          # 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
          import pymysql
          import json
          import re
          from scrapy import Request
          from scrapy.exceptions import DropItem
          from scrapy.pipelines.images import ImagesPipeline
          # class MyspidersPipeline(object):
          #     def process_item(self, item, spider):
          #         # return item
          #         print("**********pipelines******")
          #         print(1,item)
          #         with open("href.json",'w') as f:
          #             json.dump({"href":item["href"]},f)
          #         return item
          #     def open_spider(self,spider):
          #         print('open--------------')
          #     def close_spider(self,spider):
          #         print('close--------------')
          # json.dump(ensure_ascii=False)
          #ensure_ascii不要转化成ascii码
          
          # 存储资源的基本信息
          class ImagePipeline(object):
          
          
              def process_item(self, item, spider):
                  if spider.name == "ziyuanSpider":
                      print("执行了process_item方法")
                      return item
          
          
          
          
          
          class GetImagePipeline(ImagesPipeline):
              default_headers = {
                  'accept': 'image/webp,image/*,*/*;q=0.8',
                  'accept-encoding': 'gzip, deflate, sdch, br',
                  'accept-language': 'zh-CN,zh;q=0.8,en;q=0.6',
                  'cookie': 'bid=yQdC/AzTaCw',
                  'referer': '',
                  'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
              }
              id=0
              def file_path(self, request, response=None, info=None):
                  print("执行了file_path方法")
                  item = request.meta['item']
                  folder = item['title'].strip()[0:5]
                  # folder_strip = self.strip(folder)
                  image_guid = re.findall(r'/(\w*)\.[jpg,png]',request.url)[1]
                  filename = u'full/{0}/{1}'.format(folder,image_guid+".jpg")
                  print("filename",filename)
                  return filename
          
              def get_media_requests(self, item, info):
                  print("执行了get_media_requests")
                  referer = item['img']
                  self.default_headers['referer'] = referer
                  yield Request(item['img'], headers=self.default_headers, meta={'item': item, 'referer': referer})
          
              #
              def item_completed(self, results, item, info):
                  print("--------results-------")
                  print(results)
                  print("执行了item_completed方法")
          
                  image_paths = [x['path'] for ok, x in results if ok]
                  if not image_paths:
                      raise DropItem("Item contains no images")
                  item['image_paths'] = image_paths
                  return item
        
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
可以使用 Scrapy 框架和 XPath 选择器来爬取 www.runoob.com 网页图片,具体步骤如下: 1. 创建 Scrapy 项目并定义 Item 在命令行中输入以下命令,创建一个名为 `runoob` 的 Scrapy 项目: ``` scrapy startproject runoob ``` 然后在 `runoob` 项目文件夹下的 `items.py` 文件中定义 `RunoobItem`,用于存储爬取到的图片信息: ```python import scrapy class RunoobItem(scrapy.Item): image_urls = scrapy.Field() images = scrapy.Field() ``` 2. 创建 Spider 并编写爬虫逻辑 在 `runoob` 项目文件夹下的 `spiders` 文件夹中创建名为 `image_spider.py` 的文件,并编写如下代码: ```python import scrapy from runoob.items import RunoobItem class ImageSpider(scrapy.Spider): name = 'image_spider' allowed_domains = ['www.runoob.com'] start_urls = ['https://www.runoob.com/'] def parse(self, response): item = RunoobItem() # 提取所有图片链接 item['image_urls'] = response.xpath('//img/@src').extract() yield item ``` 在 `ImageSpider` 中,我们首先定义了爬虫的名称 `name`、允许爬取的域名 `allowed_domains` 和起始爬取的 URL 列表 `start_urls`。然后在 `parse` 方法中使用 XPath 选择器提取页面中所有的图片链接,并将其存储到 `item` 中。最后使用 `yield` 将 `item` 传递给 Scrapy 引擎。 3. 配置 Scrapy Pipeline 在 `runoob` 项目文件夹下的 `settings.py` 文件中,添加如下配置: ```python ITEM_PIPELINES = {'scrapy.pipelines.images.ImagesPipeline': 1} IMAGES_STORE = 'images/' ``` 在这里我们使用 Scrapy 内置的 `ImagesPipeline` 来下载图片,并将下载图片保存到 `images/` 目录下。 4. 运行爬虫 在命令行中进入 `runoob` 项目文件夹,输入以下命令启动爬虫: ``` scrapy crawl image_spider ``` Scrapy 就会自动爬取 www.runoob.com 页面中的所有图片,并将其下载到 `images/full/` 目录下。 注意:如果运行过程中出现错误,可以尝试安装 Pillow 库(用于处理图片),并重启命令行窗口再次运行爬虫: ``` pip install Pillow ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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