目錄
- 前言
- Media Pipeline
- 啟用Media Pipeline
- 使用 ImgPipeline
- 抓取妹子圖
- 瞎比比與送書後話
前言
我們在抓取數據的過程中,除了要抓取文本數據之外,當然也會有抓取圖片的需求。那我們的 scrapy 能爬取圖片嗎?答案是,當然的。說來慚愧,我也是上個月才知道,在 zone7 粉絲群中,有群友問 scrapy 怎麼爬取圖片數據?後來搜索了一下才知道。現在總結一下分享出來。
Media Pipeline
我們的 itempipeline 處理可以處理文字信息以外,還可以保存文件和圖片數據,分別是 FilesPipeline 和 ImagesPipeline
Files Pipeline
- 避免重新下載最近已經下載過的數據
- 指定存儲路徑
FilesPipeline的典型工作流程如下:
- 在一個爬蟲裡,你抓取一個項目,把其中圖片的URL放入 file_urls 組內。
- 項目從爬蟲內返回,進入項目管道。
- 當項目進入 FilesPipeline,file_urls 組內的URLs將被Scrapy的調度器和下載器(這意味著調度器和下載器的中間件可以複用)安排下載,當優先級更高,- - 會在其他頁面被抓取前處理。項目會在這個特定的管道階段保持“locker”的狀態,直到完成文件的下載(或者由於某些原因未完成下載)。
- 當文件下載完後,另一個字段(files)將被更新到結構中。這個組將包含一個字典列表,其中包括下載文件的信息,比如下載路徑、源抓取地址(從 file_urls 組獲得)和圖片的校驗碼(checksum)。 files 列表中的文件順序將和源 file_urls 組保持一致。如果某個圖片下載失敗,將會記錄下錯誤信息,圖片也不會出現在 files 組中。
Images Pipeline
- 避免重新下載最近已經下載過的數據
- 指定存儲路徑
- 將所有下載的圖片轉換成通用的格式(JPG)和模式(RGB)
- 縮略圖生成
- 檢測圖像的寬/高,確保它們滿足最小限制
啟用Media Pipeline
# 同時啟用圖片和文件管道
ITEM_PIPELINES = { # 使用時,請修改成你自己的 ImgPipeline
'girlScrapy.pipelines.ImgPipeline': 1,
}
FILES_STORE = os.getcwd() + '/girlScrapy/file' # 文件存儲路徑
IMAGES_STORE = os.getcwd() + '/girlScrapy/img' # 圖片存儲路徑
# 避免下載最近90天已經下載過的文件內容
FILES_EXPIRES = 90
# 避免下載最近90天已經下載過的圖像內容
IMAGES_EXPIRES = 30
# 設置圖片縮略圖
IMAGES_THUMBS = {
'small': (50, 50),
'big': (250, 250),
}
# 圖片過濾器,最小高度和寬度,低於此尺寸不下載
IMAGES_MIN_HEIGHT = 128
IMAGES_MIN_WIDTH = 128
需要說明的是,你下載的圖片名最終會以圖片 URL 的 hash 值命名,例如:
0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg
最終的保存地址為:
your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg
使用 ImgPipeline
這是我 demo 中的一個 ImgPipeline,裡面重寫了兩個方法。
from scrapy.pipelines.images import ImagesPipeline
class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個類
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
image_url = image_url
yield scrapy.Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
return item
分別是:
get_media_requests(self, item, info):
item_completed(self, results, item, info):
get_media_requests(self, item, info):
在這裡,我們可以獲取到 parse 中解析的 item 值,因此我們可以獲取到相應的圖片地址。在這裡返回一個 scrapy.Request(image_url) 去下載圖片。
item_completed(self, results, item, info):
item 和 info 打印出來都是 url 地址列表。其中 results 打印出來是如下值。
# 成功
[(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',
'checksum': '98eb559631127d7611b499dfed0b6406',
'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]
# 錯誤
[(False,
Failure(...))]
抓取妹子圖
ok,理論部分也講完了,那我們來實踐一下吧
spider
spider 部分很簡單,如下:
class GirlSpider(scrapy.spiders.Spider):
name = 'girl'
start_urls = ["http://www.meizitu.com/a/3741.html"]
def parse(self, response):
soup = BeautifulSoup(response.body, 'html5lib')
pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有圖片
link_list = []
item = ImgItem()
for i in pic_list:
pic_link = i.get('src') # 拿到圖片的具體 url
link_list.append(pic_link) # 提取圖片鏈接
item['image_urls'] = link_list
print(item)
yield item
item
class ImgItem(scrapy.Item):
image_urls = scrapy.Field()#圖片的鏈接
images = scrapy.Field()
ImgPipeline
class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個類
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
image_url = image_url
yield scrapy.Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
return item
啟動
scrapy crawl girl
最終爬取結果如下:
刪除了某些不適內容,哈哈哈
瞎比比與送書後話
今天的更新就到此結束啦,是不是 get 到了新技能?至於如何批量下載妹子圖?這個,我相信妹子的顏值會驅使你完善這些代碼,手動滑稽!!!最後,回覆
【妹子圖】獲取源碼。閱讀更多 小白學Python 的文章