上一篇咱们讲解了Scrapy的工作机制和如何使用Scrapy爬取美女图片,而今天接着讲解Scrapy爬取美女图片,不过采取了不同的方式和代码实现,对Scrapy的功能进行更深入的运用。
在学习Scrapy官方文档的过程中,发现Scrapy自身实现了图片和文件的下载功能,不需要咱们之前自己实现图片的下载(不过原理都一样)。
在官方文档中,我们可以看到下面一些话:Scrapy为下载item中包含的文件(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 Pipeline.
这两种pipeline都实现了以下特性:
-
避免重新下载最近已经下载过的数据
-
Specifying where to store the media (filesystem directory, Amazon S3 bucket)
The Images Pipeline has a few extra functions for processing images:
-
将所有下载的图片转换成通用的格式(JPG)和模式(RGB)
-
缩略图生成
-
检测图像的宽/高,确保它们满足最小限制
这个管道也会为那些当前安排好要下载的图片保留一个内部队列,并将那些到达的包含相同图片的项目连接到那个队列中。 这可以避免多次下载几个项目共享的同一个图片。
从上面的话中,我们可以了解到 Scrapy不仅可以下载图片,还可以生成指定大小的缩略图,这就非常有用。
使用Files Pipeline
当使用 FilesPipeline
,典型的工作流程如下所示:
-
在一个爬虫里,你抓取一个项目,把其中图片的URL放入
file_urls
组内。 -
项目从爬虫内返回,进入项目管道。
-
当项目进入
FilesPipeline
,file_urls
组内的URLs将被Scrapy的调度器和下载器(这意味着调度器和下载器的中间件可以复用)安排下载,当优先级更高,会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态,直到完成文件的下载(或者由于某些原因未完成下载)。 -
当文件下载完后,另一个字段(
files
)将被更新到结构中。这个组将包含一个字典列表,其中包括下载文件的信息,比如下载路径、源抓取地址(从file_urls
组获得)和图片的校验码(checksum)。files
列表中的文件顺序将和源file_urls
组保持一致。如果某个图片下载失败,将会记录下错误信息,图片也不会出现在files
组中。
使用Images Pipeline
当使用Imagespipeline
,典型的工作流程如下所示:
-
在一个爬虫里,你抓取一个项目,把其中图片的URL放入
images_urls
组内。 -
项目从爬虫内返回,进入项目管道。
-
当项目进入
Imagespipeline
,images_urls
组内的URLs将被Scrapy的调度器和下载器(这意味着调度器和下载器的中间件可以复用)安排下载,当优先级更高,会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态,直到完成文件的下载(或者由于某些原因未完成下载)。 -
当文件下载完后,另一个字段(
images
)将被更新到结构中。这个组将包含一个字典列表,其中包括下载文件的信息,比如下载路径、源抓取地址(从images_urls
组获得)和图片的校验码(checksum)。images
列表中的文件顺序将和源images_urls
组保持一致。如果某个图片下载失败,将会记录下错误信息,图片也不会出现在images
组中。
Pillow 是用来生成缩略图,并将图片归一化为JPEG/RGB格式,因此为了使用图片管道,你需要安装这个库。 Python Imaging Library (PIL) 在大多数情况下是有效的,但众所周知,在一些设置里会出现问题,因此我们推荐使用 Pillow 而不是PIL.
咱们这次用到的就是Images Pipeline,用来下载图片,同时使用 Pillow 生成缩略图。在安装Scrapy的基础上,使用pip install pillow 安装这个模块。
打开cmd,输入scrapy startproject jiandan,这时候会生成一个工程,然后我把整个工程复制到pycharm中(还是使用IDE开发快)。
上图就是工程的结构。
jiandanSpider.py ------Spider 蜘蛛
items.py -----------------对要爬取数据的模型定义
pipelines.py-------------咱们最终要存储的数据
settings.py----------------对Scrapy的配置
接下来我把代码贴一下(复制代码请到我博客):
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
jiandanSpider.py(和之前没有变化):
#coding:utf-8
#需要安装pillow模块
import
scrapy
from
jiandan.items
import
JiandanItem
from
scrapy.crawler
import
CrawlerProcess
class
jiandanSpider(scrapy.Spider):
name
=
'jiandan'
allowed_domains
=
[]
def
parse(
self
, response):
item
=
JiandanItem()
item[
'image_urls'
]
=
response.xpath(
'//img//@src'
).extract()
#提取图片链接
# print 'image_urls',item['image_urls']
yield
item
new_url
=
response.xpath(
'//a[@class="previous-comment-page"]//@href'
).extract_first()
#翻页
# print 'new_url',new_url
if
new_url:
yield
scrapy.Request(new_url,callback
=
self
.parse)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
items.py(增加了一个字段,请看之前对Images Pipeline的描述) :
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
import
scrapy
class
JiandanItem(scrapy.Item):
# define the fields for your item here like:
image_urls
=
scrapy.Field()
#图片的链接
images
=
scrapy.Field()
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
pipelines.py(改变最大,看注释):
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
import
os
import
urllib
import
scrapy
from
scrapy.exceptions
import
DropItem
from
scrapy.pipelines.images
import
ImagesPipeline
from
jiandan
import
settings
class
JiandanPipeline(ImagesPipeline):
#继承ImagesPipeline这个类,实现这个功能
def
get_media_requests(
self
, item, info):
#重写ImagesPipeline get_media_requests方法
'''
:param item:
:param info:
:return:
在工作流程中可以看到,
管道会得到文件的URL并从项目中下载。
为了这么做,你需要重写 get_media_requests() 方法,
并对各个图片URL返回一个Request:
'''
for
image_url
in
item[
'image_urls'
]:
yield
scrapy.Request(image_url)
def
item_completed(
self
, results, item, info):
'''
:param results:
:param item:
:param info:
:return:
当一个单独项目中的所有图片请求完成时(要么完成下载,要么因为某种原因下载失败),
item_completed() 方法将被调用。
'''
image_paths
=
[x[
'path'
]
for
ok, x
in
results
if
ok]
if
not
image_paths:
raise
DropItem(
"Item contains no images"
)
return
item
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
settings.py(主要是对缩略图的设置):
# -*- coding: utf-8 -*-
# Scrapy settings for jiandan project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
BOT_NAME
=
'jiandan'
SPIDER_MODULES
=
[
'jiandan.spiders'
]
NEWSPIDER_MODULE
=
'jiandan.spiders'
ITEM_PIPELINES
=
{
'jiandan.pipelines.JiandanPipeline'
:
1
,
}
# ITEM_PIPELINES = {'jiandan.pipelines.ImagesPipeline': 1}
IMAGES_STORE
=
'E:\\jiandan2'
DOWNLOAD_DELAY
=
0.25
IMAGES_THUMBS
=
{
#缩略图的尺寸,设置这个值就会产生缩略图
'small'
: (
50
,
50
),
'big'
: (
200
,
200
),
}
|
最后咱们开始运行程序,cmd切换到工程目录,
输入scrapy crawl jiandan,启动爬虫。。。
大约25分钟左右,爬虫工作结束。。。
咱们去看看美女图吧。
咱们打开thumbs文件夹,看看缩略图,下面有咱们设置的不同的尺寸。
今天的分享就到这里,如果大家觉得还可以呀,记得打赏呦。
欢迎大家支持我公众号:
本文章属于原创作品,欢迎大家转载分享。尊重原创,转载请注明来自:七夜的故事 http://www.cnblogs.com/qiyeboy/