安装scrapy
pip install Scrapy
进入终端,切换到自己项目代码的工作空间下,执行
scrapy startproject baidu_pic_spider
生成如下工程文件:
images是自己创建的用于存放爬到的图片目录。
在spiders目录下创建baidu_pic_spider爬虫文件,search_word可改成自己需要的搜索词。
baidu_pic_spider.py
import scrapy, json
from scrapy.http import Request
from PicSpider.items import PicItem # 导入item
class PicSpider(scrapy.Spider):
name = "pic_spider"
allowed_domains = ["http://image.baidu.com/"]
start_urls = ["http://image.baidu.com"]
def parse(self, response): # 定义解析函数
search_word = '哈士奇' # 查找词,可修改
baidu_pic_url = "https://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word={0}&s=&se=&tab=&width=&height=&face=0&istype=2&qc=&nc=1&fr=&pn=60&rn=30&gsm=3c&1507915209449=".format(
search_word) # 百度图片url
# 将带关键词参数的url交给request函数解析,返回的response通过get_pic回调函数进一步分析
yield Request(baidu_pic_url, meta={"search_word": search_word}, callback=self.get_pic, dont_filter=True)
def get_pic(self, response): # 从图片list中获取每个pic的信息
item = PicItem() # 实例化item
response_json = response.text # 存储返回的json数据
response_dict = json.loads(response_json) # 转化为字典
response_dict_data = response_dict['data'] # 图片的有效数据在data参数中
for pic in response_dict_data: # pic为每个图片的信息数据,dict类型
if pic:
item['search_word'] = response.meta['search_word'] # 搜索关键词赋值
item['pic_url'] = [pic['middleURL']] # 百度图片搜索结果url (setting中pic_url应该为数组形式)
item['pic_name'] = pic['fromPageTitleEnc'] # 百度图片搜索结果对应的title
yield item
新建main.py文件,方便在pycharm中运行和调试爬虫。
main.py
# _*_ coding: utf-8 _*_
from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(__file__))) #设置工程目录
print(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy","crawl","pic_spider"]).strip()
定义item字段
item.py
# -*- coding: utf-8 -*-
import scrapy
class PicItem(scrapy.Item) :
search_word = scrapy.Field() #搜索关键字
pic_name = scrapy.Field() #图片标题
pic_url = scrapy.Field() #图片url
pass
定义pipeline
pipeline.py
# -*- coding: utf-8 -*-
class PicspiderPipeline(object):
def process_item(self, item, spider):
return item
在setting中对应部分修改ITEM_PIPELINES,并增加图片处理代码
settings.py
ITEM_PIPELINES = {
'PicSpider.pipelines.PicspiderPipeline': 300,
'scrapy.pipelines.images.ImagesPipeline' : 1,
}
#配置pipeline,设定需要进行处理的图片路径
IMAGES_URLS_FIELD = "pic_url"
# 设置图片下载后的存储路径,放到工程目录下images文件夹
# 获取当前目录绝对路径
project_dir = os.path.abspath(os.path.dirname(__file__))
# 获取images存储路径
IMAGES_STORE = os.path.join(project_dir,'images')
# 设定处理图片的最小高度,宽度
IMAGES_MIN_HEIGHT = 100
IMAGES_MIN_WIDTH = 100
运行