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
- Undoing Merges
I would like to start writing more here about general Git tips, tricks and upcoming features. There ...
- JavaWeb(四)Servlet-1
1.Servlet 简介 Java Servlet是和平台无关的服务器端组件,它运行在Servlet容器中.Servlet容器负责Servlet和客户的通信以及调用Servlet的方法,Servlet ...
- 玩转PHP(二)--PHP强大的时间函数:date()
PHP具有相对来说强大的时间函数date(),该方法有下列一系列参数: 例如: echo date("Y-m-d H:i:s"); //2015-01-09 13:03:30 如果 ...
- ELK 架构之 Logstash 和 Filebeat 配置使用(采集过滤)
相关文章: ELK 架构之 Elasticsearch 和 Kibana 安装配置 ELK 架构之 Logstash 和 Filebeat 安装配置 ELK 使用步骤:Spring Boot 日志输出 ...
- Mac下显示隐藏的文件
显示隐藏文件defaults write com.apple.finder AppleShowAllFiles -bool true; KillAll Finder恢复隐藏文件 defaults wr ...
- token.go
package sego // 字串类型,可以用来表达 // 1. 一个字元,比如"中"又如"国", 英文的一个字元是一个词 // 2. 一个分词, ...
- bzoj5342 CTSC2018 Day1T3 青蕈领主
首先显然的是,题中所给出的n个区间要么互相包含,要么相离,否则一定不合法. 然后我们可以对于直接包含的关系建出一棵树,于是现在的问题就是给n个节点分配权值,使其去掉最后一个点后不存在非平凡(长度大于1 ...
- 【双连通分量】Bzoj2730 HNOI2012 矿场搭建
Description 煤矿工地可以看成是由隧道连接挖煤点组成的无向图.为安全起见,希望在工地发生事故时所有挖煤点的工人都能有一条出路逃到救援出口处.于是矿主决定在某些挖煤点设立救援出口,使得无论哪一 ...
- ZOJ_2314_Reactor Cooling_有上下界可行流模板
ZOJ_2314_Reactor Cooling_有上下界可行流模板 The terrorist group leaded by a well known international terroris ...
- 隐马尔可夫模型(HMM)总结
摘要: 1.算法概述 2.算法推导 3.算法特性及优缺点 4.注意事项(算法过程,调参等注意事项) 5.实现和具体例子 6.适用场合 内容: 1.算法概述 隐马尔科夫模型(Hidden Markov ...