python爬蟲學習筆記(二十四)-Scrapy框架 圖片管道的使用
阿新 • • 發佈:2020-07-21
1. 介紹
Scrapy提供了一個 item pipeline ,來下載屬於某個特定專案的圖片,比如,當你抓取產品時,也想把它們的圖片下載到本地。
這條管道,被稱作圖片管道,在 ImagesPipeline
類中實現,提供了一個方便並具有額外特性的方法,來下載並本地儲存圖片:
- 將所有下載的圖片轉換成通用的格式(JPG)和模式(RGB)
- 避免重新下載最近已經下載過的圖片
- 縮圖生成
- 檢測影象的寬/高,確保它們滿足最小限制
這個管道也會為那些當前安排好要下載的圖片保留一個內部佇列,並將那些到達的包含相同圖片的專案連線到那個佇列中。 這可以避免多次下載幾個專案共享的同一個圖片
2. 使用圖片管道
當使用 ImagesPipeline ,典型的工作流程如下所示:
- 在一個爬蟲裡,你抓取一個專案,把其中圖片的URL放入 image_urls 組內
- 專案從爬蟲內返回,進入專案管道
- 當專案進入 ImagesPipeline,image_urls 組內的URLs將被Scrapy的排程器和下載器(這意味著排程器和下載器的中介軟體可以複用)安排下載,當優先順序更高,會在其他頁面被抓取前處理。專案會在這個特定的管道階段保持“locker”的狀態,直到完成圖片的下載(或者由於某些原因未完成下載)。
- 當圖片下載完,另一個組(images)將被更新到結構中。這個組將包含一個字典列表,其中包括下載圖片的資訊,比如下載路徑、源抓取地址(從 image_urls 組獲得)和圖片的校驗碼。 images 列表中的圖片順序將和源 image_urls 組保持一致。如果某個圖片下載失敗,將會記錄下錯誤資訊,圖片也不會出現在 images 組中
3. 具體流程(此處以zol網站為例)
- 定義item
import scrapy
class ImagedownloadItem(scrapy.Item):
# define the fields for your item here like:
img_name = scrapy.Field()
img_urls =scrapy.Field()
- 編寫spider
思路:獲取檔案地址-->獲取圖片名稱-->推送地址
此處是一張一張的推送
class ZolSpiderSpider(scrapy.Spider): name = 'zol' allowed_domains = ['zol.com.cn'] url ='http://desk.zol.com.cn' start_urls = [url+'/bizhi/7106_88025_2.html'] def parse(self, response): image_url = response.xpath('//img[@id="bigImg"]/@src').extract_first() image_name = response.xpath('//h3')[0].xpath('string(.)').extract_first().strip().replace('\r\n\t\t', '') next_image = response.xpath('//a[@id="pageNext"]/@href').extract_first() item = ImagedownloadItem() item["img_name"] = image_name item["img_urls"] = image_url yield item yield scrapy.Request(self.url+next_image,callback=self.parse,)
- 編寫pipline
以下如果不想改檔名,meta屬性可以忽略不寫
def get_media_requests(self, item, info):
'''
#如果item[urls]裡裡面是列表,用下面
urls= item['urls']
for url in urls:
yield scrapy.Request(url,meta={"item",item})
'''
# 如果item[urls]裡裡面是一個圖片地址,用這下面的
yield scrapy.Request(item['img_urls'], meta={"item": item})
因為scrapy裡是使用它們URL的 SHA1 hash 作為檔名,所以如果想重新命名:
def file_path(self, request, response=None, info=None):
item = request.meta["item"]
#去掉檔案裡的/,避免建立圖片檔案時出錯
filename = item["img_name"].replace("/","-")+".jpg"
return filename
- 定義圖片儲存在哪?
在settings中增加一句
IMAGES_STORE = "e:/pics"