爬虫框架之Scrapy(四 ImagePipeline)
ImagePipeline
使用scrapy框架我们除了要下载文本,还有可能需要下载图片,scrapy提供了ImagePipeline来进行图片的下载。
ImagePipeline还支持以下特别的功能:
1 生成缩略图:通过配置IMAGES_THUMBS = {'size_name': (width_size,heigh_size),}
2 过滤小图片:通过配置IMAGES_MIN_HEIGHT
和IMAGES_MIN_WIDTH
来过滤过小的图片。
具体其他功能可以看下参考官网手册:https://docs.scrapy.org/en/latest/topics/media-pipeline.html.
ImagePipelines的工作流程
1 在spider中爬取需要下载的图片链接,将其放入item中的image_urls.
2 spider将其传送到pipieline
3 当ImagePipeline处理时,它会检测是否有image_urls字段,如果有的话,会将url传递给scrapy调度器和下载器
4 下载完成后会将结果写入item的另一个字段images,images包含了图片的本地路径,图片校验,和图片的url。
示例 爬取巴士lol的英雄美图
只爬第一页
第一步:items.py
import scrapy class Happy4Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
image_urls = scrapy.Field()
images = scrapy.Field()
爬虫文件lol.py
# -*- coding: utf-8 -*-
import scrapy
from happy4.items import Happy4Item class LolSpider(scrapy.Spider):
name = 'lol'
allowed_domains = ['lol.tgbus.com']
start_urls = ['http://lol.tgbus.com/tu/yxmt/'] def parse(self, response):
li_list = response.xpath('//div[@class="list cf mb30"]/ul//li')
for one_li in li_list:
item = Happy4Item()
item['image_urls'] =one_li.xpath('./a/img/@src').extract()
yield item
最后 settings.py
BOT_NAME = 'happy4' SPIDER_MODULES = ['happy4.spiders']
NEWSPIDER_MODULE = 'happy4.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0' # Obey robots.txt rules
ROBOTSTXT_OBEY = False
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1,
}
IMAGES_STORE = 'images'
不需要操作管道文件,就可以爬去图片到本地
极大的减少了代码量.
注意:因为图片管道会尝试将所有图片都转换成JPG格式的,你看源代码的话也会发现图片管道中文件名类型直接写死为JPG的。所以如果想要保存原始类型的图片,就应该使用文件管道。
示例 爬取mm131美女图片
要求爬取的就是这个网站
这个网站是有反爬的,当你直接去下载一个图片的时候,你会发现url被重新指向了别处,或者有可能是直接报错302,这是因为它使用了referer这个请求头里的字段,当你打开一个图片的url的时候,你的请求头里必须有referer,不然就会被识别为爬虫文件,禁止你的爬取,那么如何解决呢?
手动在爬取每个图片的时候添加referer字段。
xingan.py
# -*- coding: utf-8 -*-
import scrapy
from happy5.items import Happy5Item
import re class XinganSpider(scrapy.Spider):
name = 'xingan'
allowed_domains = ['www.mm131.com']
start_urls = ['http://www.mm131.com/xinggan/'] def parse(self, response):
every_html = response.xpath('//div[@class="main"]/dl//dd')
for one_html in every_html[0:-1]:
item = Happy5Item()
# 每个图片的链接
link = one_html.xpath('./a/@href').extract_first()
# 每个图片的名字
title = one_html.xpath('./a/img/@alt').extract_first()
item['title'] = title
# 进入到每个标题里面
request = scrapy.Request(url=link, callback=self.parse_one, meta={'item':item})
yield request # 每个人下面的图集
def parse_one(self, response):
item = response.meta['item']
# 找到总页数
total_page = response.xpath('//div[@class="content-page"]/span[@class="page-ch"]/text()').extract_first()
num = int(re.findall('(\d+)', total_page)[0])
# 找到当前页数
now_num = response.xpath('//div[@class="content-page"]/span[@class="page_now"]/text()').extract_first()
now_num = int(now_num)
# 当前页图片的url
every_pic = response.xpath('//div[@class="content-pic"]/a/img/@src').extract()
# 当前页的图片url
item['image_urls'] = every_pic
# 当前图片的refer
item['referer'] = response.url
yield item # 如果当前数小于总页数
if now_num < num:
if now_num == 1:
url1 = response.url[0:-5] + '_%d'%(now_num+1) + '.html'
elif now_num > 1:
url1 = re.sub('_(\d+)', '_' + str(now_num+1), response.url)
headers = {
'referer':self.start_urls[0]
}
# 给下一页发送请求
yield scrapy.Request(url=url1, headers=headers, callback=self.parse_one, meta={'item':item})
items.py
import scrapy class Happy5Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
image_urls = scrapy.Field()
images = scrapy.Field()
title = scrapy.Field()
referer = scrapy.Field()
pipelines.py
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.http import Request class Happy5Pipeline(object):
def process_item(self, item, spider):
return item class QiushiImagePipeline(ImagesPipeline): # 下载图片时加入referer请求头
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
headers = {'referer':item['referer']}
yield Request(image_url, meta={'item': item}, headers=headers)
# 这里把item传过去,因为后面需要用item里面的书名和章节作为文件名 # 获取图片的下载结果, 控制台查看
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 # 修改文件的命名和路径
def file_path(self, request, response=None, info=None):
item = request.meta['item']
image_guid = request.url.split('/')[-1]
filename = './{}/{}'.format(item['title'], image_guid)
return filename
settings.py
BOT_NAME = 'happy5' SPIDER_MODULES = ['happy5.spiders']
NEWSPIDER_MODULE = 'happy5.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0' # Obey robots.txt rules
ROBOTSTXT_OBEY = False
ITEM_PIPELINES = {
# 'scrapy.pipelines.images.ImagesPipeline': 1,
'happy5.pipelines.QiushiImagePipeline': 2,
}
IMAGES_STORE = 'images'
得到图片文件:
这种图还是要少看。
爬虫框架之Scrapy(四 ImagePipeline)的更多相关文章
- Scrapy爬虫框架教程(四)-- 抓取AJAX异步加载网页
欢迎关注博主主页,学习python视频资源,还有大量免费python经典文章 sklearn实战-乳腺癌细胞数据挖掘 https://study.163.com/course/introduction ...
- 06 爬虫框架:scrapy
爬虫框架:scrapy 一 介绍 Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速.简单.可扩展的方式从网站中提取所需的数据.但目前S ...
- Python-S9-Day125-Web微信&爬虫框架之scrapy
01 今日内容概要 02 内容回顾:爬虫 03 内容回顾:网络和并发编程 04 Web微信之获取联系人列表 05 Web微信之发送消息 06 为什么request.POST拿不到数据 07 到底使用j ...
- 九、爬虫框架之Scrapy
爬虫框架之Scrapy 一.介绍 二.安装 三.命令行工具 四.项目结构以及爬虫应用简介 五.Spiders 六.Selectors 七.Items 八.Item Pipelin 九. Dowload ...
- Golang 网络爬虫框架gocolly/colly 四
Golang 网络爬虫框架gocolly/colly 四 爬虫靠演技,表演得越像浏览器,抓取数据越容易,这是我多年爬虫经验的感悟.回顾下个人的爬虫经历,共分三个阶段:第一阶段,09年左右开始接触爬虫, ...
- 爬虫框架之Scrapy
一.介绍 二.安装 三.命令行工具 四.项目结构以及爬虫应用简介 五.Spiders 六.Selectors 七.Items 八.Item Pipelin 九. Dowloader Middeware ...
- 洗礼灵魂,修炼python(72)--爬虫篇—爬虫框架:Scrapy
题外话: 前面学了那么多,相信你已经对python很了解了,对爬虫也很有见解了,然后本来的计划是这样的:(请忽略编号和日期,这个是不定数,我在更博会随时改的) 上面截图的是我的草稿 然后当我开始写博文 ...
- 爬虫框架:scrapy
一 介绍 Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速.简单.可扩展的方式从网站中提取所需的数据.但目前Scrapy的用途十分广泛,可 ...
- 爬虫框架之Scrapy(一)
scrapy简介 scrapy是一个用python实现为了爬取网站数据,提取结构性数据而编写的应用框架,功能非常的强大. scrapy常应用在包括数据挖掘,信息处理或者储存历史数据的一系列程序中. s ...
随机推荐
- Dubbo源码-Dubbo是如何随心所欲自定义XML标签的
叨叨 今天考虑了很久要不要写这篇文章. 距离<Dubbo源码>系列的开篇到现在已经快两个月时间了.当时是想着工作上的RPC框架使用存在一些让人头疼的问题,就来看看Dubbo给出了一套什么样 ...
- 在腾讯云(windows)上搭建node.js服务器
1:安装Node.js 使用MSI文件,并按照提示安装node.js,默认情况下,安装程序将 Node.js 发行到 C:\Program Files\nodejs. 但这里我们需要修改安装路径到:D ...
- setInterval setTimeout 详解
JavaScript的setTimeout与setInterval是两个很容易欺骗别人感情的方法,因为我们开始常常以为调用了就会按既定的方式执行, 我想不少人都深有同感, 例如 setTimeout( ...
- 译MassTransit 快速入门
给我看代码! 下面是MassTransit的功能设置. public class YourMessage { public string Text { get; set; } } public cla ...
- tesseract-ocr识别英文和中文图片文字以及扫描图片实例讲解
本文来源:http://blog.csdn.net/wanghui2008123/article/details/37694307 本文参考http://blog.sina.com.cn/s/blog ...
- 如何最简便的利用Python实现数据可视化?当然离不开matplotlib!
01|Figure和Subplot: matplotlib的图像全部在figure对象里面,就像是一片画布.figsize是figure的一个设置大小的属性.一个figure里面可以有无数个subpl ...
- TProfiler部署文档--笔记
TProfiler是一个可以在生产环境长期使用的性能分析工具.它同时支持剖析和采样两种方式,记录方法执行的时间和次数,生成方法热点 对象创建热点 线程状态分析等数据,为查找系统性能瓶颈提供数据支持. ...
- asp.net core session丢失问题排查
最近公司采用asp.net core的站点在外测环境中,总是发现存在session丢失的情况.排查了好久,客户端.AspNetCore.Session的cookie未丢失,session的分布式缓存采 ...
- 通过jenkins持续集成 github中的代码到 服务器。
前言 最近自己在探索springboot框架,了解到 jenkins 具有 自动我github 上带项目部署到 tomcat 中.于是决定先搭建一个jenkins 环境在继续研究. Jenkins简介 ...
- 【bzoj1941】【Sdoi2010】Hide and Seek
---恢复内容开始--- Description 小猪iPig在PKU刚上完了无聊的猪性代数课,天资聪慧的iPig被这门对他来说无比简单的课弄得非常寂寞,为了消除寂寞感,他决定和他的好朋友giPi(鸡 ...