爬虫爬取动态网页下载美女图片

scrapy爬取动态网页下载图片

静态页面练习了后，我们开始来爬取动态页面，为了满足广大程序猿的需求，在这里就选择360图片吧，网址是image.so.com。希望大家学会后身体一天不如一天。
首先我们来分析这个网页，打开开发者工具，滑动页面等加载出新的图片后，找到如下链接：
我们可以看到Request URL, 打开并到runoob.com在线解析工具解析出来，解析后我们可以看到如下的json数据:在这里我们只需要里面的几个属性就好，比如可以选取tag，cover_height等等。
接下来就创建project，开始爬取我们想要的图片， 首先还是在item.py里面设置我们需要的：

import scrapy

class BeautyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    tag = scrapy.Field()
    width = scrapy.Field()
    height = scrapy.Field()
    url = scrapy.Field()

image.py

import scrapy
from json import loads
from urllib.parse import urlencode
from image360.items import BeautyItem

class ImageSpider(scrapy.Spider):
    name = 'image'
    allowed_domains = ['image.so.com']

    # 重写方法
    def start_requests(self):
        base_url = 'http://image.so.com/zj?'
        # 创建字典，把不变的参数写死
        param = {'ch': 'beauty', 'listtype': 'new', 'temp': 1}
        for page in range(10):
            param['sn'] = page * 30
            full_url = base_url + urlencode(param)
            yield scrapy.Request(url=full_url, callback=self.parse)

    def parse(self, response):
        # 模型循环
        model_dict = loads(response.text)
        for elem in model_dict['list']:
            item = BeautyItem()
            item['title'] = elem['group_title']
            item['tag'] = elem['tag']
            item['width'] = elem['cover_width']
            item['height'] = elem['cover_height']
            item['url'] = elem['qhimg_url']
            yield item

setting.py

BOT_NAME = 'image360'

SPIDER_MODULES = ['image360.spiders']
NEWSPIDER_MODULE = 'image360.spiders'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 2
DOWNLOAD_DELAY = 3
RANDOMIZE_DOWNLOAD_DELAY = True
# 文件存取,存在当前路径下resources目录
IMAGES_STORE = './resources'
ITEM_PIPELINES = {
    'image360.pipelines.SaveImagePipeline': 300,
    'image360.pipelines.SaveToMongoPipeline': 301,
}

到这里，我们的爬虫就可以开始跑了。接下来我们开始完成我们的数据持久化的部分。

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


class SaveImagePipeline(ImagesPipeline):

    def get_media_requests(self, item, info):
        # 返回requests
        yield Request(url=item['url'])

    def item_completed(self, results, item, info):
        # 下完文件后, 给一个results，返回处理结果
        # 传了一个item，所以这个列表只有一个值，而这个值是个元组，我们需要通过results来判断是否下载成功
        if not results[0][0]:
            raise DropItem('下载失败')
        return item

    def file_path(self, request, response=None, info=None):
        # 拿到文件名
        return request.url.split('/')[-1]


class SaveToMongoPipeline(object):

    def process_item(self, item, spider):
        # 把数据持久化到 mongo

        return item

现在开始运行程序，可以在resources路径下可以看到下载的图片：

如果想提高一下逼格，写个日志，我们可以接着写下去，首先导入logging这个模块，如果想在下载的时候打印日志，只需要在item_completed里面加入logger.debug('图片下载完成！')。
现在就可以尽情的开始欣赏下载的图片了，大家学会后还是要注意节制，毕竟樯橹灰飞烟灭啊！