目录

  前言

  Media Pipeline

  启用Media Pipeline

  使用 ImgPipeline

  抓取妹子图

  瞎比比前言  我们在抓取数据的过程中,除了要抓取文本数据之外,当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗?答案是,当然的。说来惭愧,我也是上个月才知道,在 zone7 粉丝群中,有群友问 scrapy 怎么爬取图片数据?后来搜索了一下才知道。现在总结一下分享出来。

  Media Pipeline

  我们的 itempipeline 处理可以处理文字信息以外,还可以保存文件和图片数据,分别是 FilesPipeline 和 ImagesPipeline

  Files Pipeline

  避免重新下载最近已经下载过的数据

  指定存储路径FilesPipeline的典型工作流程如下:

  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。Images Pipeline

  避免重新下载最近已经下载过的数据

  指定存储路径

  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

  启用Media Pipeline

  # 同时启用图片和文件管道

  ITEM_PIPELINES = { # 使用时,请修改成你自己的 ImgPipeline

  'girlScrapy.pipelines.ImgPipeline': 1,

  }

  FILES_STORE = os.getcwd() + '/girlScrapy/file' # 文件存储路径

  IMAGES_STORE = os.getcwd() + '/girlScrapy/img' # 图片存储路径

  # 避免下载最近90天已经下载过的文件内容

  FILES_EXPIRES = 90

  # 避免下载最近90天已经下载过的图像内容

  IMAGES_EXPIRES = 30

  # 设置图片缩略图

  IMAGES_THUMBS = {

  'small': (50, 50),

  'big': (250, 250),

  }

  # 图片过滤器,最小高度和宽度,低于此尺寸不下载

  IMAGES_MIN_HEIGHT = 128

  IMAGES_MIN_WIDTH = 128

  需要说明的是,你下载的图片名最终会以图片 URL 的 hash 值命名,例如:

  0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

  最终的保存地址为:

  your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

  使用 ImgPipeline

  这是我 demo 中的一个 ImgPipeline,里面重写了两个方法。

  from scrapy.pipelines.images import ImagesPipeline

  class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类

  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

  分别是:

  get_media_requests(self,item,info):item_completed(self,results,item,info):

  get_media_requests(self, item, info):

  在这里,我们可以获取到 parse 中解析的 item 值,因此我们可以获取到相应的图片地址。在这里返回一个 scrapy.Request(image_url) 去下载图片。

  item_completed(self, results, item, info):

  item 和 info 打印出来都是 url 地址列表。其中 results 打印出来是如下值。

  # 成功

  [(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',

  'checksum': '98eb559631127d7611b499dfed0b6406',

  'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]

  # 错误

  [(False,

  Failure(...))]

  

  ok,理论部分也讲完了,那我们来实践一下吧抓取妹子图

  spider

  spider 部分很简单,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') # 找到界面所有图片

  link_list = []

  item = ImgItem()

  for i in pic_list:

  pic_link = i.get('src') # 拿到图片的具体 url

  link_list.append(pic_link) # 提取图片链接

  item['image_urls'] = link_list

  print(item)

  yield item

  item

  class ImgItem(scrapy.Item):

  image_urls = scrapy.Field()#图片的链接

  images = scrapy.Field()

  ImgPipeline

  class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类

  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

  启动

  scrapy crawl girl

  最终爬取结果如下:

  

  今天的更新就到此结束啦,是不是 get 到了新技能?至于如何批量下载妹子图?这个,我相信妹子的颜值会驱使你完善这些代码,手动滑稽!!!

scrapy 也能爬取妹子图?的更多相关文章

  1. Python 爬虫入门(二)——爬取妹子图

    Python 爬虫入门 听说你写代码没动力?本文就给你动力,爬取妹子图.如果这也没动力那就没救了. GitHub 地址: https://github.com/injetlee/Python/blob ...

  2. Python 爬虫入门之爬取妹子图

    Python 爬虫入门之爬取妹子图 来源:李英杰  链接: https://segmentfault.com/a/1190000015798452 听说你写代码没动力?本文就给你动力,爬取妹子图.如果 ...

  3. 使用request+Beautiful爬取妹子图

    一.request安装 pip install requests request使用示例 import requests response = requests.get('https://www.mz ...

  4. requests+正则表达式 爬取 妹子图

    做了一个爬取妹子图某张索引页面的爬虫,主要用request和正则表达式. 感谢 崔庆才大神的 爬虫教学视频 和 gitbook: B站:https://www.bilibili.com/video/a ...

  5. 爬取妹子图(requests + BeautifulSoup)

    刚刚入门爬虫,今天先对于单个图集进行爬取,过几天再进行翻页爬取. 使用requests库和BeautifulSoup库 目标网站:妹子图 今天是对于单个图集的爬取,就选择一个进行爬取,我选择的链接为: ...

  6. 小白学 Python 爬虫(16):urllib 实战之爬取妹子图

    人生苦短,我用 Python 前文传送门: 小白学 Python 爬虫(1):开篇 小白学 Python 爬虫(2):前置准备(一)基本类库的安装 小白学 Python 爬虫(3):前置准备(二)Li ...

  7. 利用 PhpQuery 随机爬取妹子图

    前言 运行下面的代码会随机得到妹子图的一张图片,代码中的phpQuery可以在这里下载:phpQuery-0.9.5.386.zip <?php require 'phpQuery.php'; ...

  8. python 爬取妹子图

    作为一个python还没入门的小白,搞懂这段代码实在是很不容易,还要去学html的知识(#黑脸) 因此我加上了注释,比较好读懂点 #coding=utf-8 import time import re ...

  9. Python爬虫个人记录(三)爬取妹子图

    这此教程可能会比较简洁,具体细节可参考我的第一篇教程: Python爬虫个人记录(一)豆瓣250 Python爬虫个人记录(二)fishc爬虫 一.目的分析 获取煎蛋妹子图并下载 http://jan ...

随机推荐

  1. 第七章之main函数和启动例程

    main函数和启动例程 为什么汇编程序的入口是_start,而C程序的入口是main函数呢?本节就来解释这个问题.在讲例 18.1 “最简单的汇编程序”时,我们的汇编和链接步骤是: $ as hell ...

  2. Python: 用shell通配符匹配字符串,fnmatch/fnmatchcase

    问题:想使用Unix Shell 中常用的通配符(比如*.py , Dat[0-9]*.csv 等) 去匹配文本字符串 解决方案: 1. fnmatch 模块提供了两个函数—— fnmatch() 和 ...

  3. Hive表中Partition的创建

    作用: 在Hive Select查询中一般会扫描整个表内容,会消耗很多时间做没必要的工作.有时候只需要扫描表中关心的一部分数据,在对应的partition里面去查找就可以,减少查询时间. 1. 创建表 ...

  4. 数据仓库基础(七)Informatica PowerCenter介绍

    本文转载自:http://www.cnblogs.com/evencao/p/3140938.html  Infromatica PowerCenter介绍: 1993年在美国加利福尼亚州成立,一年后 ...

  5. redis 主从同步搭建

    redis 一主二从 1.redis 安装 安装教程:https://www.cnblogs.com/zwcry/p/9505949.html 2.redis主从 1)创建主从目录 mkdir /us ...

  6. Linux中Postfix反病毒和垃圾邮件工具(十)

    amavisd-new amavisd-new呼叫器是一个连接MTA和内容检测工具(诸如病毒扫描工具和SpamAssassin)的高性能接口程序,使用perl语言写成.它一般通过SMTP.ESMTP或 ...

  7. 最新 mysql登录报错“Access denied for user 'root'@'localhost' (using password: NO”的处理方法

    1.关闭正在运行的MySQL.2.打开DOS窗口,转到mysql\bin目录.3.输入mysqld --skip-grant-tables回车.如果没有出现提示信息,那就对了.(正常的情况是光标闪烁没 ...

  8. 短网址(short URL)系统的原理及其实现

    短网址(short URL)系统的原理及其实现 https://hufangyun.com/2017/short-url/?hmsr=toutiao.io&utm_medium=toutiao ...

  9. xShell终端中文乱码完全解决方法

    xShell终端中文乱码完全解决方法 xShell(xShell5)以及其他终端中文乱码的原因无非有三种:(1)Linux系统的编码问题:(2)xShell终端的编码问题: (3)两端的语言编码不一致 ...

  10. SCP报错:WARNING: REMOTE HOST IDENTIFICATION HAS CHANGED!

    经过google,出现这个问题的原因是,这是ssh的问题, GkFool大神说(第一次使用SSH连接时,会生成一个认证,储存在客户端的known_hosts中) 我的解决办法是: ssh-keygen ...