scrapy爬取图片站

Posted 2022-06-09 wx57d7dc52ee7f8

建个项目：

scrapy startproject jiumiji

scrapy genspider image www.jiumiji.com

​

编辑image.py

用xpath提取我们需要的网站内容（图片标题以及链接）

import scrapy

from ..items import DemoItem

class ImageSpider(scrapy.Spider):

   name = image

   allowed_domains = [http://www.jiumiji.com]

   start_urls = [http://www.jiumiji.com]

   def parse(self, response):

       img_list=response.xpath("//div[@class=list-box col-s-960 clearfix ]/div")

       print(img_list)

       for img in img_list:

            item=DemoItem()

            item["title"]=img.xpath("./a/div[2]/span[2]/text()").extract_first()+.png

            item["img_urls"]=http:+img.xpath("./a/div[@class=image-box]/img/@data-original")[0].extract()

            yield item

编辑items.py

# Define here the models for your scraped items

#

# See documentation in:

# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class DemoItem(scrapy.Item):

   # define the fields for your item here like:

   # name = scrapy.Field()

   title = scrapy.Field()

   img_urls = scrapy.Field()

   pass

编辑pipelines.py

from scrapy.pipelines.images import ImagesPipeline

import scrapy

import os

class DemoPipeline(ImagesPipeline):

   def get_media_requests(self, item, info):

       yield scrapy.Request(url=item[img_urls], meta=item: item)

   # 返回图片名称即可

   def file_path(self, request, response=None, info=None):

       item = request.meta[item]

       print(########, item)

       filePath = item[title]

       return filePath

   def item_completed(self, results, item, info):

       return item

修改setting文件

1.把管道打开：

ITEM_PIPELINES：项目管道，300为优先级，越低越爬取的优先度越高

2.其他：

BOT_NAME：项目名

LOG_LEVEL:屏蔽warning

USER_AGENT：默认是注释的，这个东西非常重要，不写容易被判断为电脑，简单点写一个Mozilla/5.0即可

ROBOTSTXT_OBEY：是否遵循机器人协议，默认是true，需要改为false，否则很多东西爬不了

开始爬虫：

scrapy crawl jiumiji