用Scrapy帮妹子爬取王者皮肤海报~

这篇博客的由来

当然是因为我学习之余，喜欢打打王者上上分 （下面是我王者个人主页，啊还没上过荣耀…）

以及因为，我要学习 Scrapy 的ImagesPipeline，爬图片

绝对不是因为我喜欢带妹儿，

---

只不过…:

爱打游戏的妹儿最近问我，
“这些（王者）皮肤好好看噢，可惜我没有它们的海报，小哥哥你有吗？”

我心想，皮肤海报，这还不简单？
于是我沉思一会儿，一副好为难的样子。
我说：“这有些许棘手啊，啧，不过你要的话，我可以办得到。”
妹子追问，“那小哥哥是怎么办的呀？”
我笑一笑：“噢，这个你不用担心，你就简单想想我给到你皮肤海报，那你能给到我…”
妹儿笑一笑…

先看一下给妹儿的成品。

爬虫结束后的日志，只爬到了93个items（93个英雄的皮肤，当然皮肤不只93）

以下内容，有一些是翻译的，我会附上文档的英文原文。

---

一、口水话说说，ImagePipeline

想要边学习scrapy 框架，边学习英文？
想同时提高scrapy框架的掌握程度，和英文阅读水平？

那就有空多看scrapy权威文档（authoritative document）

At first

提到ImagesPipeline 就要先提它的 “本体” ——FilesPipeline。
因为 ImagesPipeline 是 FilesPipeline的一个扩展（extension），

The ImagesPipeline is an extension of the FilesPipeline

嗯，就提这么多。

---

0、一般来说，简单使用ImagesPipeline。

（当然先创建scrapy 项目。）

只需要：
1.启用媒体管道（Enabling your Media Pipeline）：
在setting.py中的ITEM_PIPELINES添加
'scrapy.pipelines.images.ImagesPipeline': 1

2.配置存储目标地址（configure the target storage）
否则即便完成了第一步也不能启用pipeline
在setting.py中设置 IMAGES_STORE setting:
FILES_STORE = '/path/to/valid/dir'

我存到了scrapy project根目录。就是与scrapy.cfg相同的文件夹

3.items.py类的配置
很简单，添两个字段。

import scrapy
class MyItem(scrapy.Item):
    # ... other item fields ...
    image_urls = scrapy.Field()  #务必添加的
    images = scrapy.Field()   # 务必添加的

image_urls ，一个list，存放图片url （http://…jpg/png等）
images，一个RESULT，一个2元素元组的列表
每个元组将包含 (success, file_info_or_error)。
·
下面是results参数的一个典型值:

[(True,
  {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
   'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
   'url': 'http://www.example.com/files/product1.pdf',
   'status': 'downloaded'}),
 (False,
  Failure(...))]

4.写爬虫（spider.py），返回item（图片url列表）

简单使用的时候，存储的图片。

存在一个full目录下，
图片文件名是根据原始url计算SHA1 hash值后进行存储；
大概长这样：

这显然满足不了妹子的需求，人家只想看中文字的图片名

所以要进一步配置setting.py

---

1.ImagePipeline可以做这样的事情

1.如生成缩略图

generating thumbnails

2.根据大小过滤图像。

filtering the images based on their size.

3.允许重定向 (其实皮肤海报的url是重定向的，但有一个小规律，可以不用重定向)

Allowing redirections
默认情况下(By default)，
媒体管道会忽略重定向( ignore redirects,)
例如，一个指向媒体文件URL请求的HTTP重定向将意味着媒体下载失败。

4.当然还可以自己指定文件名、文件夹名

5.避免下载最近下载的文件

指定延迟天数

# 120 days of delay for files expiration
FILES_EXPIRES = 120

# 30 days of delay for images expiration
IMAGES_EXPIRES = 30

---

2.进一步配置setting.py

我创建的scrapy项目：叫做KingshonerskinPipeline
手快打错了应该是honor，不是honer，
而且呢用glory代替honor，更好
我创建的spider 叫做 skin.py

在setting.py中：

ROBOTSTXT_OBEY = False   #首先，一般都不遵循Robot协议


DEFAULT_REQUEST_HEADERS = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Language': 'en',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36'
}
# 默认请求头

ITEM_PIPELINES = {
    'kingshonerSkin.pipelines.KingshonerskinPipeline': 300,
   # 'scrapy.pipelines.images.ImagesPipeline': 1  
}
# 注释了默认的ImagePipeline，
# 同时启用，我自己customize（自己写的）KingshonerskinPipeline

IMAGES_STORE = './王者荣耀皮肤'  #我设置的文件存储目录   
IMAGES_URLS_FIELD = 'skin_urls'  # 我给默认的image_urls 改成了 skin_urls
IMAGES_RESULT_FIELD = 'skin_results'  # 我给默认的image 改成了 skin_results

我的setting.py的部分截图

3.我这样写爬虫spider.py

从这里开始爬：

英雄资料列表页-英雄介绍-王者荣耀官方网站-腾讯游戏https://pvp.qq.com/web201605/herolist.shtml

先大概分析。

进入每个英雄的页面后，

---

我一般在pycharm console 先来交互式的编程

导入requests，Beautiful 来一步一步“进入网页”，爬取信息。

代码有效就复制到spider.py里面

免得一次性写好爬虫文件（spider.py）再来debug，

导入库

直接requests.get(url)
没有加headers或者其他参数，直接在右边看到，Resposne 200了
这网站，没什么反扒

分析：我用select方法定位标签

接着我

for i in soup.select('.herolist-content > ul > li > a'):   
	print(i.text)

结果print一些乱码出来：我发现是response.encoding的问题。

改一下encoding，就正常显示中文字。

到了这里说明没有页面渲染，每个英雄的url都能拿到
·
接着进入单个英雄，就拿瑶瑶分析吧
https://pvp.qq.com/web201605/herodetail/505.shtml

用select抓一下标签

结果抓了个寂寞，
要么我写错了select，要么网页动态渲染了。
但我向来不会犯这样写错小错误，结果还真是渲染了。
我Refresh了网页，这个url真正html代码：

经过一番对比
发现background_url（网页背景皮肤海报的url）是一样的，下面pic-pf标签不一样
·
但真正需要的就是background_url，
·
因为相同英雄的皮肤海报url，就后面的数字在递增

所以到现在，spider.py真正要解决的是
1.每个hero对应的id
2.皮肤的数量和名字

4.上代码（我的item.py/skin.py(我写的爬虫类)）

# items.py
import scrapy

class KingshonerskinItem(scrapy.Item):
    skin_urls = scrapy.Field()  # 必须要有的字段，list，存放皮肤url
    skins_name = scrapy.Field()  # list，存放皮肤name
    skin_results = scrapy.Field()  # 必须要有的字段，result 存放...
    hero_name = scrapy.Field()  # str, 英雄中文名

# spider.py
import scrapy
from bs4 import BeautifulSoup
from scrapy import Request
import re
from kingshonerSkin.items import KingshonerskinItem


class SkinSpider(scrapy.Spider):
    name = 'skin'
    start_urls = ['https://pvp.qq.com/web201605/herolist.shtml']

    def parse(self, response):   # 进入每个英雄的皮肤所在页面
        soup = BeautifulSoup(response.text,'html.parser')
        for i in soup.select('.herolist-content > ul > li > a'):
            url_id = re.findall(r'/\d+.shtml',i.get('href'))[0]  # 拿到每个英雄对应的id
            yield Request(url='https://pvp.qq.com/web201605/herodetail'+url_id, callback=self.parse_skin)
            # 按照id，组成每个英雄的url，去yield Request

    def parse_skin(self, response):
        item = KingshonerskinItem()
        soup = BeautifulSoup(response.text, 'html.parser')
        skin_id = 'https:' + re.findall(r'//.*.jpg',soup.select_one('.wrapper > div').get('style'))[0].replace('1.jpg','{}.jpg')
        # 将background_url 变成通用的
        skins_name = soup.select_one('.pic-pf > ul').get('data-imgname').split('|')  # 皮肤名字列表
        hero_name = soup.select_one('h2.cover-name').text
        urls = []
        for i in range(len(skins_name)):
            skins_name[i] = skins_name[i].split('&')[0] # 清理多余的符号“&3”
            urls.append(skin_id.format(i+1))
        item['hero_name'] = hero_name
        item['skin_urls'] = urls
        item['skins_name'] = skins_name
        return item

5.写ItemPipeline，(Customize ItemPipeline)

如果简单使用ImagesPipeline
就无需写这个类，
只用：启用’scrapy.pipelines.images.ImagesPipeline’: 1，
甚至不禁用自己写的pipeline.py也可以

ITEM_PIPELINES = {
   'kingshonerSkin.pipelines.KingshonerskinPipeline': 300,
    'scrapy.pipelines.images.ImagesPipeline': 1
}

当然，我们要处理英雄和皮肤的对应关系。
自己写ItemPipeline.

我先上我的itempipeline.py代码

from scrapy import Request
from scrapy.pipelines.images import ImagesPipeline


class KingshonerskinPipeline(ImagesPipeline):
    def file_path(self, request, response=None, info=None, *, item):
        skin_num = int(request.url[-5]) - 1   # 海报url和海报名字对应上。
        return f'{item["hero_name"]}/{item["skins_name"][skin_num]}.jpg'

    def get_media_requests(self, item, info):
        # for i in item['skins_name']:
        #     yield Request(i)
        return [Request(i) for i in item['skin_urls']]
        

二、真正要学习的就是这三个函数了

6.1 file_path(self, request, response=None, info=None, *, item=None)

This method is called once per downloaded item.
It returns the download path of the file originating from the specified
·
这个方法对每个下载的item调用一次。
返回来自指定的文件的下载路径

override this method to customize the download path of each file
覆盖/重写这个函数就可以自定义存储文件（图片）的路径

对于这个函数的几个参数，

1.在我写的pipeline中，item=None的None去掉了。
于是就可以使用我放在item里面的字段（hero_name 、skins_name）
在指定英雄和皮肤的对应关系

def file_path(self, request, response=None, info=None, *, item):
        skin_num = int(request.url[-5]) - 1   # 海报url和海报名字对应上。
        return f'{item["hero_name"]}/{item["skins_name"][skin_num]}.jpg'

2.我尝试用response.meta去传递（hero_name 、skins_name）
但是失败了。不知道原因出自哪里。
·
3.不知道这个info怎么用
哪天发现了，再加到这里
·
4.request,就相当于request
文档里面给了一用request.url的后缀作为图片名的例子

import os
from urllib.parse import urlparse

from scrapy.pipelines.files import FilesPipeline

class MyFilesPipeline(FilesPipeline):

    def file_path(self, request, response=None, info=None, *, item=None):
        return 'files/' + os.path.basename(urlparse(request.url).path)

6.2 get_media_requests(item, info)

As seen on the workflow,
the pipeline will get the URLs of the images to download from the item.
return a Request for each file URL:
·
这个函数很简单，就是作为一个 生成器 ，
不断地 return a Request for each file URL:

    def get_media_requests(self, item, info):
        # for i in item['skins_name']:
        #     yield Request(i)
        return [Request(i) for i in item['skin_urls']]

代码中，注释部分和下面的return是等价的。

Those requests will be processed by the pipeline and,
when they have finished downloading,
the results will be sent to the item_completed() method, as a list of 2-element tuples.
Each tuple will contain (success, file_info_or_error)
·
这些请求将由管道处理，
当它们完成下载后，
结果将作为一个包含2个元素的元组列表发送到
item_completed()方法。
每个元组将包含(success, file_info_or_error)

我就不翻译了。

6.3item_completed(results, item, info)

The ImagesPipeline.item_completed() method is called
when all image requests for a single item have completed
(either finished downloading, or failed for some reason).
·
当单个item的所有图像请求都完成
(或者下载完成，或者由于某些原因失败)时，
将调用ImagesPipeline.item_completed()方法。

we store the downloaded file paths (passed in results) in the file_paths item field,
and we drop the item if it doesn’t contain any files:
·
我们将下载的文件路径(传到result)，存储在file_paths 的item字段中，
如果item不包含任何文件，我们就删除它:

下面附一下 文档给的，实现这个方法的an example

from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem

def item_completed(self, results, item, info):
    file_paths = [x['path'] for ok, x in results if ok]
    if not file_paths:
        raise DropItem("Item contains no files")
    adapter = ItemAdapter(item)
    adapter['file_paths'] = file_paths
    return item

result 是一个包含两个元素的元组列表 (a list of 2-element tuples.)

# a typical value of the results argument:
[(True,
  {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
   'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
   'url': 'http://www.example.com/files/product1.pdf',
   'status': 'downloaded'}),
 (False,
  Failure(...))]

---

我没有覆盖这个item_completed函数，
我在file_paths，写英雄名字和皮肤的对应关系了。

---

写到这，完工了。

scrapy crawl skin

Enter一下，就跑起来了。

---

我把爬下的海报给到妹儿，
·
她笑一笑，说"以后要一直和我打游戏上分"
·
真不错

本文地址：https://blog.csdn.net/m0_46156900/article/details/113975300