scrapy——图片数据爬取之 ImagesPipeline

• 图片数据爬取之ImagesPipeline
  • 基于scrapy爬取字符串类型的数据和爬取图片类型的数据的区别？
    • 字符串：只需要基于xpath进行解析且提交管道进行持久化存储。
    • 图片：xpath解析出图片src的属性值。单独的对图片地址发起请求获取图片二进制类型的数据
  • xpath 提供了 imagespipeline 帮助我们处理图片的src，只需要将img的src的属性值进行解析，提交到管道，管道就会对图片的src属性值进行请求发送获取图片的二进制类型的数据，且还会帮助我们进行持久化存储
  • 需求：爬取站长素材中的高清图片
  • 使用流程：
    • 数据解析（图片的地址）
    • 将存储图片的item提交给指定的管道类
    • 在管道文件中自定制一个基于ImagesPipeLine的一个管道类，需要重写三个方法：
      • get_media_request()
      • file_path()
      • item_completed()
    • 在配置文件中（settings）：
      • 指定图片存储的目录：IMAGES_STORE = ‘./imgs’
      • 指定开启的管道：（基于自定制的管道类）

setting.py

# -*- coding: utf-8 -*-

# Scrapy settings for imgsPro project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'imgsPro'

SPIDER_MODULES = ['imgsPro.spiders']
NEWSPIDER_MODULE = 'imgsPro.spiders'

LOG_LEVEL = 'ERROR'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
#