scrapy爬图片pipelines.py写法

UA伪装:

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'

- scrapy如何进行图片数据爬取
- 在爬虫文件中解析出图片地址+图片名称封装到item对象提交给管道
- 在管道文件中：
    - from scrapy.pipelines.images import ImagesPipeline
    - 封装一个管道类，继承与ImagesPipeline
    - 重写父类的三个方法：
        - get_media_requests
        - file_path：只需要返回图片名称
        - item_completed
    - 在配置文件中添加如下配置：
        - IMAGES_STORE = '文件夹路径'
- scrapy如何实现深度爬取：请求传参
  - 什么叫深度爬取：
    - 爬取的数据没有存在于同一张页面
- 请求传参：
    - 在手动请求发送的时候可以通过meta参数将meta表示的字典传递给callback
    - 在callback通过response.meta的形式接收传递过来的meta就可以了
        - 可以实现让不同的解析方法共享同一个item对象
- scrapy核心组件
引擎(Scrapy)
    用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
    用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
    用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
    爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
    负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

- scrapy的中间件
- 爬虫中间件
- 下载中间件（*）
    - 作用：可以批量拦截框架中发起的所有请求和响应
    - 拦截请求干什么
        - 请求头的篡改
            - UA
        - 给请求设置代理
            - 写在process_exception：
                - request.meta['proxy'] = 'http://ip:port'
    - 拦截响应干什么
        - 为了篡改响应数据
            - 我们请求到的一组不符合需求响应数据，我们就需要将响应进行拦截，将不满足
                需求的响应数据篡改为满足需求响应数据。




- CrawlSpider
- 分布式
- 增量式

settings.py 文件夹配置

IMAGES_STORE = './imgLibs'

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# class XiaohuaproPipeline:
#     def process_item(self, item, spider):
#         return item
import  scrapy
from scrapy.pipelines.images import ImagesPipeline
class XiaohuaproPipeline(ImagesPipeline):
    #对图片数据进行请求发送
    #该方法参数item就是接受爬虫文件提交过来的item
    def get_media_requests(self, item, info):
        #meta可以将字典传递给file_path方法
        yield scrapy.Request(item['img_src'],meta={'item':item})
    #指定图片存储的路径
    def file_path(self, request, response=None, info=None):
        #如何获取图片名称
        item = request.meta['item']
        img_name = item['img_name']
        return img_name
    #可以将item 传递给下一个即将被执行的管道类
    def item_completed(self, results, item, info):
        return item