『Scrapy』爬取斗鱼主播头像

分析目标

爬取的是斗鱼主播头像，示范使用的URL似乎是个移动接口（下文有提到），理由是网页主页属于动态页面，爬取难度陡升，当然爬取斗鱼主播头像这么恶趣味的事也不是我的兴趣......

目标URL如下，

http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset=150

这是一个json形式文件（所谓json形式的文件实际就是把字典作为字符串保存起来），limit参数表示一次加载多少条目，offset表示偏移量，即加载的第一条项目相对于初始条目的位次数。

形式如下（这不是查看源码，而是数据本身就是这样，好像是个移动端接口），

形式和我之前保存的json相同，是字典的格式，key有error和data，data的value是list，中间的元素是房间的信息dict，这里列举了前两个房间。

我们需要爬取的是主播名字（'nickname'）和头像（'vertical_src'）。

item

import scrapy
 
class DouyuItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    nickname = scrapy.Field()
    imagelink = scrapy.Field()

spider

这里使用了json包的方法去解析str字符串为dict。

import scrapy
import json
from douyu.items import DouyuItem
 
class DouyuspiderSpider(scrapy.Spider):
    name = "DouyuSpider"
    allowed_domains = ["douyucdn.cn"]
    baseURL = 'http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset='
    offset = 0
    start_urls = [baseURL + str(offset)]
 
    def parse(self, response):
        # .load和磁盘交互，.loads处理字符串
        data_list = json.loads(response.body.decode('utf-8'))['data']
        if not len(data_list):
            return
 
        for data in data_list:
            item = DouyuItem()
            item['nickname'] = data['nickname']
            item['imagelink'] = data['vertical_src']
            yield item
 
        self.offset += 20
        yield scrapy.Request(self.baseURL + str(self.offset), callback=self.parse)

pipelines

取消settings.py注释，

这里面我们继承了一个新的用于下载二进制文件的管线类，并改写了两个方法，用于，

下载二进制文件
根据下载结果（成功与否）将图片重命名为主播名

下载文件的方法会自动读取settings.py的字段，而且这个字段默认setting.py是没有的，所以需要在文件中手动添加，位置无所谓，

import os
import scrapy
from scrapy.pipelines.images import ImagesPipeline
from douyu.settings import IMAGES_STORE
 
# 新的管线类，用于处理二进制文件
class DouyuPipeline(ImagesPipeline):
 
    # 二进制下载，电影视频实际都可以，会自动调用download模组的函数
    def get_media_requests(self, item, info):
        image_link = item['imagelink']
        yield scrapy.Request(image_link)
 
    # 这个方法会在一次处理的最后调用（从返回item也可以推理出）
    # result表示下载的结果状态
    def item_completed(self, results, item, info):
        # print(results)
        # [(True, {'url': 'https://rpic.douyucdn.cn/acrpic/170827/3034164_v1319.jpg',
        # 'checksum': '7383ee5f8dfadebf16a7f123bce4dc45', 'path': 'full/6faebfb1ae66d563476449c69258f2e0aa24000a.jpg'})]
        image_path = [x['path'] for ok,x in results if ok]
        os.rename(IMAGES_STORE + image_path[0], IMAGES_STORE + item['nickname'] + '.jpg')
        return item

重命名函数os.rename比win下的重命名强多了，它可以对路径重命名达到修改文件位置的功效（内部原理贴近操作系统层面了，到底是os库的函数233）。

运行如下命令，

scrapy crawl DouyuSpider

结束即可查看图片，结果和下面类似，