scrapy爬虫，爬取图片

一、scrapy的安装：

本文基于Anacoda3，

Anacoda2和3如何同时安装？

将Anacoda3安装在C:\ProgramData\Anaconda2\envs文件夹中即可。

如何用conda安装scrapy?

安装了Anaconda2和3后，

如图，只有一个命令框，可以看到打开的时候：

可以切到Anaconda3对应的路径下即可。

安装的方法：cmd中：conda install scrapy即可。

当然，可能会出现权限的问题，那是因为安装的文件夹禁止了读写。可以如图：

将权限都设为“允许“。

注意：此时虽然scapy安装上了，但是在cmd中输入scapy可能会不认，可以将安装scrapy.exe的路径添加到环境变量中。

二、scapy的简单使用

例子：爬取图片

1、 创建scrapy工程

譬如，想要创建工程名：testImage

输入：scrapy startproject testImage

即可创建该工程，按照cmd中提示的依次输入：

cd testImage

scrapy genspider getPhoto www.27270.com/word/dongwushijie/2013/4850.html

其中：在当前项目中创建spider，这仅仅是创建spider的一种快捷方法，该方法可以使用提前定义好的模板来生成spider，后面的网址是一个采集网址的集合，即为允许访问域名的一个判断。注意不要加http/https。

至此，可以在testImage\testImage\spiders中找到创建好的爬虫getPhoto.py，可以在此基础上进行修改。

2、创建爬虫

如图，可以在图片的位置右键，检查，查看源码，在图片所在的位置处，将xpath拷贝出来。

此时，可以找出图片的地址：

class GetphotoSpider(scrapy.Spider):
    name = 'getPhoto'
    allowed_domains = ['www.27270.com']
    start_urls = ['http://www.27270.com/word/dongwushijie/2013/4850.html']
    def parse(self, response):
        urlImage = response.xpath('//*[@id="picBody"]/p/a[1]/img/@src').extract()
        print(urlImage)
        pass

　　

此时，注意网络路径的正确书写，最后没有/，

http://www.27270.com/word/dongwushijie/2013/4850.html/

此时将4850.html 当作了目录，会出现404找不到路径的错误！

3、 下载图片

items.py:

class PhotoItem(scrapy.Item):
    name = scrapy.Field()
    imageLink = scrapy.Field()

pipelines.py:

from scrapy.pipelines.images import ImagesPipeline
import scrapy
class ImagePipeline(ImagesPipeline):
    def get_media_requests(self,item,info):
        image_link = item['imageLink']
        yield scrapy.Request(image_link)

　　

settings.py：

IMAGES_STORE = r"C:\Users\24630\Desktop\test"

另外，对于上面的网址，还需要ROBOTSTXT_OBEY = False

并且，访问该网址会出现302错误，这是一个重定向的问题，

MEDIA_ALLOW_REDIRECTS =True

设置该选项，就可以正确下载，但是下载的还是不对，问题不好解决。

当然在爬虫中，还要对items赋值：

from testImage import items
。。。
 
for urllink in urlImage:
      item = items.PhotoItem()
      item['imageLink'] = urllink

　　

三、 进一步爬取（读取下一页）

# -*- coding: utf-8 -*-
import scrapy
from testImage import items
class GetphotoSpider(scrapy.Spider):
    name = 'getPhoto'
    allowed_domains = ['www.wmpic.me']
    start_urls = ['http://www.wmpic.me/93912']
    def parse(self, response):
        #//*[@id="content"]/div[1]/p/a[2]/img
        urlImage = response.xpath('//*[@id="content"]/div[1]/p/a/img/@src').extract()
        print(urlImage)
        for urllink in urlImage:
            item = items.PhotoItem()
            item['imageLink'] = urllink
            yield item
 
        ifnext  = response.xpath('//*[@id="content"]/div[2]/text()').extract()[0]
        # 当没有下一篇，即最后一页停止爬取
        if("下一篇" in ifnext):
            nextUrl = response.xpath('//*[@id="content"]/div[2]/a/@href').extract()[0]
            url=response.urljoin(nextUrl)
            yield scrapy.Request(url=url)

　　此时，便可以看到路径下的下载后的文件了。（由于该网址每页的图片所在的xpath都不一样，故下载的图片不全）