欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

程序员文章站 2022-04-24 16:05:50
ImagesPipeline是scrapy自带的类,用来处理图片(爬取时将图片下载到本地)用的。 优势: 工作流程: 实现方式: 实践:爬取http://699pic.com/image/1/这个网页下的前四个图片集(好进行分类演示) 这里使用方法一进行实现: 步骤一:建立项目与爬虫 1.创建工程: ......

imagespipeline是scrapy自带的类,用来处理图片(爬取时将图片下载到本地)用的。

优势:

  1. 将下载图片转换成通用的jpg和rgb格式
  2. 避免重复下载
  3. 缩略图生成
  4. 图片大小过滤
  5. 异步下载
  6. ......

工作流程:

  1. 爬取一个item,将图片的urls放入image_urls字段
  2. spider返回的item,传递到item pipeline
  3. item传递到imagepipeline,将调用scrapy 调度器和下载器完成image_urls中的url的调度和下载。
  4. 图片下载成功结束后,图片下载路径、url和校验和等信息会被填充到images字段中。

实现方式:

  1. 自定义pipeline,优势在于可以重写imagepipeline类中的实现方法,可以根据情况对照片进行分类;
  2. 直接使用imagepipeline类,简单但不够灵活;所有的图片都是保存在full文件夹下,不能进行分类

实践:爬取http://699pic.com/image/1/这个网页下的前四个图片集(好进行分类演示)

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

这里使用方法一进行实现:

步骤一:建立项目与爬虫

1.创建工程:scrapy startproject xxx(工程名)

2.创建爬虫:进去到上一步创建的目录下:scrapy genspider xxx(爬虫名)  xxx(域名)

 

步骤二:创建start.py

1  from scrapy import cmdline
2 
3 cmdline.execute("scrapy crawl 699pic(爬虫名)".split(" "))

 

步骤三:设置settings

1.关闭机器人协议,改成false

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

2.设置headers

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

3.打开item_pipelines

 使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

将项目自动生成的pipelines注释掉,黄色部分是下面步骤中自己写的pipeline,这里先不写。

 

步骤四:item

1 class img699picitem(scrapy.item):
2     # 分类的标题
3     category=scrapy.field()
4     # 存放图片地址
5     image_urls=scrapy.field()
6     # 下载成功后返回有关images的一些相关信息
7     images=scrapy.field()

 

步骤五:写spider

import scrapy
from ..items import img699picitem
import requests
from lxml import etree


class a699picspider(scrapy.spider):
    name = '699pic'
    allowed_domains = ['699pic.com']
    start_urls = ['http://699pic.com/image/1/']
    headers={
        'user-agent':'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.62 safari/537.36'
    }



    def parse(self, response):
        divs=response.xpath("//div[@class='special-list clearfix']/div")[0:4]
        for div in divs:
            category=div.xpath("./a[@class='special-list-title']//text()").get().strip()
            url=div.xpath("./a[@class='special-list-title']/@href").get().strip()
            image_urls=self.parse_url(url)
            item=img699picitem(category=category,image_urls=image_urls)
            yield item

    def parse_url(self,url):
        response=requests.get(url=url,headers=self.headers)
        htmlelement=etree.html(response.text)
        image_urls=htmlelement.xpath("//div[@class='imgshow clearfix']//div[@class='list']/a/img/@src")
        return image_urls

 

步骤六:pipelines

import os
from scrapy.pipelines.images import imagespipeline
from . import settings


class img699picpipeline(object):
    def process_item(self, item, spider):
        return item


class images699pipeline(imagespipeline):
    def get_media_requests(self, item, info):
        # 这个方法是在发送下载请求之前调用的,其实这个方法本身就是去发送下载请求的
        request_objs=super(images699pipeline, self).get_media_requests(item,info)
        for request_obj in request_objs:
            request_obj.item=item
        return request_objs

    def file_path(self, request, response=none, info=none):
        # 这个方法是在图片将要被存储的时候调用,来获取这个图片存储的路径
        path=super(images699pipeline, self).file_path(request,response,info)
        category=request.item.get('category')
        image_store=settings.images_store
        category_path=os.path.join(image_store,category)
        if not os.path.exists(category_path):
            os.makedirs(category_path)
        image_name=path.replace("full/","")
        image_path=os.path.join(category_path,image_name)
        return image_path

步骤七:返回到settings中

1.将黄色部分填上

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

2.存放图片的总路径

images_store=os.path.join(os.path.dirname(os.path.dirname(__file__)),'images')

 

最终结果:

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。

使用Scrapy自带的ImagesPipeline下载图片,并对其进行分类。