目錄
- Scrapy下載圖片項目介紹
- 使用Scrapy下載圖片
- 項目創(chuàng)建
- 項目預覽
- 創(chuàng)建爬蟲文件
- 項目組件介紹
- Scrapy爬蟲流程介紹
- 頁面結構分析
- 最終目錄樹
- 項目運行
- 爬取結果
- 后記
Scrapy下載圖片項目介紹
Scrapy是一個適用爬取網站數(shù)據(jù)、提取結構性數(shù)據(jù)的應用程序框架，它可以通過定制化的修改來滿足不同的爬蟲需求。
使用Scrapy下載圖片
項目創(chuàng)建
首先在終端創(chuàng)建項目
# win4000為項目名
$ scrapy startproject win4000
該命令將創(chuàng)建下述項目目錄。
項目預覽
查看項目目錄
- win4000
- win4000
- spiders
- __init__.py
- __init__.py
- items.py
- middlewares.py
- pipelines.py
- settings.py
- scrapy.cfg
創(chuàng)建爬蟲文件
進入spiders文件夾，根據(jù)模板文件創(chuàng)建爬蟲文件
$ cd win4000/win4000/spiders
# pictures 為 爬蟲名
$ scrapy genspider pictures "win4000.com"
項目組件介紹
1.引擎(Scrapy)：核心組件，處理系統(tǒng)的數(shù)據(jù)流處理，觸發(fā)事務。
2.調度器(Scheduler)：用來接受引擎發(fā)出的請求, 壓入隊列中, 并在引擎再次請求的時候返回。由URL組成的優(yōu)先隊列, 由它來決定下一個要抓取的網址是什么，同時去除重復的網址。
3.下載器(Downloader)：用于下載網頁內容, 并將網頁內容返回給Spiders。
4.爬蟲(Spiders)：用于從特定的網頁中提取自己需要的信息, 并用于構建實體(Item)，也可以從中提取出鏈接,讓Scrapy繼續(xù)抓取下一個頁面
5.管道(Pipeline)：負責處理Spiders從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被Spiders解析后，將被發(fā)送到項目管道。
6.下載器中間件(Downloader Middlewares)：位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
7.爬蟲中間件(Spider Middlewares)：介于Scrapy引擎和爬蟲之間的框架，主要工作是處理Spiders的響應輸入和請求輸出。
8.調度中間件(Scheduler Middewares)：介于Scrapy引擎和調度之間的中間件，從Scrapy引擎發(fā)送到調度的請求和響應。
Scrapy爬蟲流程介紹
Scrapy基本爬取流程可以描述為UR2IM(URL-Request-Response-Item-More URL)：
1.引擎從調度器中取出一個鏈接(URL)用于接下來的抓取；
2.引擎把URL封裝成一個請求(Request)傳給下載器；
3.下載器把資源下載下來，并封裝成應答包(Response)；
4.爬蟲解析Response；
5.解析出實體（Item）,則交給實體管道進行進一步的處理；
6.解析出的是鏈接（URL）,則把URL交給調度器等待抓取。
頁面結構分析
首先查看目標頁面，可以看到包含多個主題，選取感興趣主題，本項目以“風景”為例(作為練習，也可以通過簡單修改，來爬取所有模塊內圖片)。
在“風景”分類頁面，可以看到每頁包含多個專題，利用開發(fā)者工具，可以查看每個專題的URL，拷貝相應XPath，利用Xpath的規(guī)律性，構建循環(huán)，用于爬取每個專題內容。
# 查看不同專題的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[1]/a
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[2]/a
利用上述結果，可以看到li[index]中index為專題序列。因此可以構建Xpath列表如下：
item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
利用開發(fā)者工具，可以查看下一頁的URL，拷貝相應XPath用于爬取下一頁內容。
# 查看“下一頁”的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[2]/div/a[5]
因此可以構建如下XPath：
next_selector = response.xpath('//a[@class="next"]')
點擊進入專題，可以看到具體圖片，通過查看圖片XPath，用于獲取圖片地址。
# 構建圖片XPath
response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
可以通過標題和圖片序列構建圖片名。
# 利用序號XPath構建圖片在列表中的序號
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
# 利用標題XPath構建圖片標題
title = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first()
# 利用圖片標題title和序號index構建圖片名
name = title + '_' + index + '.jpg'
同時可以看到，在專題頁面下，包含了多張圖片，可以通過點擊“下一張”按鈕來獲取下一頁面URL，此處為了簡化爬取過程，可以通過觀察URL規(guī)律來構建每一圖片詳情頁的URL，來下載圖片。
# 第一張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401.html
# 第二張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401_2.html
因此可以通過首頁地址和圖片序號來構建每一張圖片詳情頁地址。
# 第一張圖片詳情頁地址
first_url = response.url
# 圖片總數(shù)
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):
next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'
定義Item字段（Items.py）
本項目用于下載圖片，因此可以僅構建圖片名和圖片地址字段。
# win4000/win4000/items.py
import scrapy
class Win4000Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
url = scrapy.Field()
name = scrapy.Field()
編寫爬蟲文件(pictures.py)
代碼詳解見代碼注釋。
# win4000/win4000/spiders/pictures.py
import scrapy
from win4000.items import Win4000Item
from urllib import parse
import time
class PicturesSpider(scrapy.Spider):
name = 'pictures'
allowed_domains = ['win4000.com']
start_urls = ['http://www.win4000.com/zt/fengjing.html']
start_urls = ['http://www.win4000.com/zt/fengjing.html']
# cookie用于模仿瀏覽器行為
cookie={
"t":"29b7c2a8d2bbf060dc7b9ec00e75a0c5",
"r":"7957",
"UM_distinctid":"178c933b40e9-08430036bca215-7e22675c-1fa400-178c933b40fa00",
"CNZZDATA1279564249":"1468742421-1618282415-%7C1618282415",
"XSRF-TOKEN":"eyJpdiI6Ik8rbStsK1Fwem5zR2YzS29ESlI2dmc9PSIsInZhbHVlIjoiaDl5bXp5b1VvWmdSYklWWkEwMWJBK0FaZG9OaDA1VGQ2akZ0RDNISWNDM0hnOW11Q0JTVDZFNlY4cVwvSTBjQlltUG9tMnFUcWd5MzluUVZ0NDBLZlJuRWFuaVF0U3k0XC9CU1dIUzJybkorUEJ3Y2hRZTNcL0JqdjZnWjE5SXFiNm8iLCJtYWMiOiI2OTBjOTkzMTczYWQwNzRiZWY5MWMyY2JkNTQxYjlmZDE2OWUyYmNjNDNhNGYwNDAyYzRmYTk5M2JhNjg5ZmMwIn0%3D",
"win4000_session":"eyJpdiI6Inc2dFprdkdMTHZMSldlMXZ2a1cwWGc9PSIsInZhbHVlIjoiQkZHVlNYWWlET0NyWWlEb2tNS0hDSXAwZGVZV05vTmY0N0ZiaFdTa1VRZUVqWkRmNWJuNGJjNkFNa3pwMWtBcFRleCt4SUFhdDdoYnlPMGRTS0dOR0tkdmVtVDhzUWdTTTc3YXpDb0ZPMjVBVGJzM2NoZzlGa045Qnl0MzRTVUciLCJtYWMiOiI2M2VmMTEyMDkxNTIwNmJjZjViYTg4MjIwZGIxNTlmZWUyMTJlYWZhNjk5ZmM0NzgyMTA3MWE4MjljOWY3NTBiIn0%3D"
}
def start_requests(self):
"""
重構start_requests函數(shù)，用于發(fā)送帶有cookie的請求，模仿瀏覽器行為
"""
yield scrapy.Request('http://www.win4000.com/zt/fengjing.html', callback=self.parse, cookies=self.cookie)
def parse(self,response):
# 獲取下一頁的選擇器
next_selector = response.xpath('//a[@class="next"]')
for url in next_selector.xpath('@href').extract():
url = parse.urljoin(response.url,url)
# 暫停執(zhí)行，防止網頁的反爬蟲程序
time.sleep(3)
# 用于爬取下一頁
yield scrapy.Request(url, cookies=self.cookie)
# 用于獲取每一專題的選擇器
item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
for item_url in item_selector.extract():
item_url = parse.urljoin(response.url,item_url)
#print(item_url)
time.sleep(3)
# 請求專題頁面，并利用回調函數(shù)callback解析專題頁面
yield scrapy.Request(item_url,callback=self.parse_item, cookies=self.cookie)
def parse_item(self,response):
"""
用于解析專題頁面
"""
# 由于Scrapy默認并不會爬取重復頁面，
# 因此需要首先構建首張圖片實體，然后爬取剩余圖片，
# 也可以通過使用參數(shù)來取消過濾重復頁面的請求
# 首張圖片實體
item = Win4000Item()
item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
yield item
first_url = response.url
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):
next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'
# 請求其余圖片，并用回調函數(shù)self.parse_detail解析頁面
yield scrapy.Request(next_url,callback=self.parse_detail,cookies=self.cookie)
def parse_detail(self,response):
"""
解析圖片詳情頁面，構建實體
"""
item = Win4000Item()
item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
yield item
修改配置文件settings.py
修改win4000/win4000/settings.py中的以下項。
BOT_NAME = 'win4000'
SPIDER_MODULES = ['win4000.spiders']
NEWSPIDER_MODULE = 'win4000.spiders'
# 圖片保存文件夾
IMAGES_STORE = './result'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 用于模仿瀏覽器行為
USER_AGENT = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:87.0) Gecko/20100101 Firefox/87.0'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# 下載時延
DOWNLOAD_DELAY = 3
# Disable cookies (enabled by default)
# 是否啟用Cookie
COOKIES_ENABLED = True
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'win4000.pipelines.Win4000Pipeline': 300,
}
修改管道文件pipelines.py用于下載圖片
修改win4000/win4000/pipelines.py文件。
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import scrapy
import os
from scrapy.exceptions import DropItem
class Win4000Pipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 下載圖片，如果傳過來的是集合需要循環(huán)下載
# meta里面的數(shù)據(jù)是從spider獲取，然后通過meta傳遞給下面方法：file_path
yield scrapy.Request(url=item['url'],meta={'name':item['name']})
def item_completed(self, results, item, info):
# 是一個元組，第一個元素是布爾值表示是否成功
if not results[0][0]:
with open('img_error_name.txt','a') as f_name:
error_name = str(item['name'])
f_name.write(error_name)
f_name.write('\n')
with open('img_error_url.txt','a') as f_url:
error_url = str(item['url'])
f_url.write(error_url)
f_url.write('\n')
raise DropItem('下載失敗')
return item
# 重命名，若不重寫這函數(shù)，圖片名為哈希，就是一串亂七八糟的名字
def file_path(self, request, response=None, info=None):
# 接收上面meta傳遞過來的圖片名稱
filename = request.meta['name']
return filename
編寫爬蟲啟動文件begin.py
在win4000目錄下創(chuàng)建begin.py
# win4000/begin.py
from scrapy import cmdline
cmdline.execute('scrapy crawl pictures'.split())
最終目錄樹
- win4000
- begin.py
- win4000
- spiders
- __init__.py
- pictures.py
- __init__.py
- items.py
- middlewares.py
- pipelines.py
- settings.py
- scrapy.cfg
項目運行
進入begin.py所在目錄，運行程序，啟動scrapy進行爬蟲。
爬取結果
后記
本項目僅用于測試用途。
Enjoy coding.
到此這篇關于Python爬蟲之教你利用Scrapy爬取圖片的文章就介紹到這了,更多相關python中用Scrapy爬取圖片內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python爬蟲實戰(zhàn)之使用Scrapy爬取豆瓣圖片
- Python爬取網站圖片并保存的實現(xiàn)示例
- python制作微博圖片爬取工具
- python繞過圖片滑動驗證碼實現(xiàn)爬取PTA所有題目功能 附源碼
- 利用python批量爬取百度任意類別的圖片的實現(xiàn)方法
- Python使用xpath實現(xiàn)圖片爬取
- Python Scrapy圖片爬取原理及代碼實例
- Python3直接爬取圖片URL并保存示例
- python爬取某網站原圖作為壁紙
- 用Python做一個嗶站小姐姐詞云跳舞視頻
