你只认识大众汽车的车标怎么能行？赶紧用python采集所有车标学习一下

Posted 2021-11-23 梦想橡皮擦

本篇博客我们将学习如何通过 scrapy 批量下载文件，还能学习通过密码解压缩包？

目标站点分析

本次要采集的目标站点为：【车标网】，最终获取的数据是车标的的矢量图。

在测试过程中发现，最后下载的压缩包存在解压密码，所以增加一个 通过密码解压缩的步骤。

素材的下载地址，比较容易获取到，通过地址 logo.php?id=119 修改为 download.php?id=119 即可实现。

其中车标列表页所在的页面无迭代规则，按照分类获取即可：

http://www.chebiao.net/domestic.php
http://www.chebiao.net/es.php
http://www.chebiao.net/jsk.php
http://www.chebiao.net/other.php
http://www.chebiao.net/famous.php

编写时间

scrapy 基本创建不在过多说明，spider 文件夹中的爬虫文件名为 cb.py，首先通过 start_urls 的设置，采集所有分类数据。

import scrapy
from chebiao.items import ChebiaoItem
from urllib.parse import urlparse


class CbSpider(scrapy.Spider):
    name = 'cb'
    allowed_domains = ['chebiao.net']
    start_urls = ['http://www.chebiao.net/domestic.php', 'http://www.chebiao.net/es.php',
                  'http://www.chebiao.net/jsk.php', 'http://www.chebiao.net/other.php',
                  'http://www.chebiao.net/famous.php']

接下来就是重点部分了，我们将启用 FilesPipeline 管道，用于实现对文件的下载。

使用该模块需要导入如下内容：

from scrapy.pipelines.files import FilesPipeline

FilesPipeline 类继承自 MediaPipeline，打开类文件源码，在其中发现两个比较重要的类变量。

DEFAULT_FILES_URLS_FIELD = 'file_urls'
DEFAULT_FILES_RESULT_FIELD = 'files'

上述两个变量，如果不进行修改，后续在 items.py 文件中，必须要进行声明与赋值。

在查看源码的过程中，发现了很多可以在 settings.py 文件初始化的配置，代码不在整体复制，本文仅用到了 FILES_STORE，即下图框选区域，该值表示文件存储路径。

FilesPipeline 类中三个比较重要的方法是：

• file_path：遍历 item 中的每一项，返回一个文件存储地址，函数原型如下所示：
  file_path(self, request, response=None, info=None, *, item=None)
• get_media_requests：遍历 item 中的每一项，返回一个 Request 请求，请求的结果会传递给 item_completed 方法；
• item_completed：媒体请求完毕之后，返回数据到该方法，并且该方法需要返回 item 或者 drop item。

这里还要补充一个知识点，也是在翻阅 scrapy 源码的时候发现的，在 MediaPipeline 类中存在如下私有方法。

def _make_compatible(self):
       """Make overridable methods of MediaPipeline and subclasses backwards compatible"""
       methods = [
           "file_path", "media_to_download", "media_downloaded",
           "file_downloaded", "image_downloaded", "get_images"
       ]

       for method_name in methods:
           method = getattr(self, method_name, None)
           if callable(method):
               setattr(self, method_name, self._compatible(method))

上述代码将 file_path 与 file_downloaded 方法进行了兼容，即 file_path 与 media_to_download 和 media_downloaded 功能一致，file_downloaded 与 image_downloaded 和 get_images 功能一致。

如果你在测试代码时，发现 file_path() 方法被执行了 3 次，该原因也是由于 scrapy 框架实现的，因为 file_path() 方法分别在 media_to_download()、media_downloaded()、file_downloaded() 三个方法中被调用过。继续深入学习，会发现上述 3 个方法的调用顺序，这里就不在过多展开说明。

通过单文件下载，测试 scrapy 下载文件流程

接下来通过一个文件，体验整体的下载流程，该地址为：http://www.chebiao.net/download.php?id=181。
按照一般编写爬虫代码的顺序，修改如下文件代码：
items.py 文件代码如下

import scrapy


class ChebiaoItem(scrapy.Item):
    file_url = scrapy.Field()
    file_name = scrapy.Field()
    files = scrapy.Field()

其中 file_url 表示请求的文件名，如果不希望自己扩展，应该用 file_urls 实现，file_name 为保存文件名，files 为默认字段，用于返回文件响应结果相关信息。

cb.py 文件代码如下

import scrapy
from chebiao.items import ChebiaoItem


class CbSpider(scrapy.Spider):
    name = 'cb'
    allowed_domains = ['chebiao.net']
    start_urls = ['http://www.chebiao.net/famous.php']

    def parse(self, response):
        item = ChebiaoItem()
        item['file_name'] = "测试" # 文件名
        item['file_url'] = "http://www.chebiao.net/download.php?id=181"
        yield item

其中 file_name 与 file_url 都为测试值。

settings.py 文件设置爬虫相关配置

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/94.0.4606.81 Safari/537.36' # 用户代理

ROBOTSTXT_OBEY = False # 不访问 robot.txt 文件
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Host': 'www.chebiao.net',
    'Referer': 'http://www.chebiao.net/logo.php'
} # 请求头
# 开启数据管道，尤其注意 ChebiaoFilePipeline 为我们手动创建的管道类，代码在下文
ITEM_PIPELINES = {
    'chebiao.pipelines.ChebiaoFilePipeline': 1,
    'chebiao.pipelines.ChebiaoPipeline': 300,
}
FILES_STORE = './files' # 文件存储路径
LOG_LEVEL = 'WARNING'  # 日志等级

配置中的 FILES_STORE 表示文件存储路径，设置绝对地址与相对地址都可。

pipelines.py 代码文件

from scrapy.pipelines.files import FilesPipeline
# 自定义类，继承自 FilesPipeline
class ChebiaoFilePipeline(FilesPipeline):
    def get_media_requests(self, item, info):
        print("--get_media_requests--start-----")
        print("正在下载：", item['file_name'])
        print("--get_media_requests--end-----")
        # 请求传递文件名参数
        yield Request(item['file_url'], meta={'title': item['file_name']})

    def file_path(self, request, response=None, info=None):
        print("--file_path--start-----")
        file_name = request.meta.get('title') + ".rar"
        print("--file_path--end-----")
        return file_name

    def item_completed(self, results, item, info):
        print("--item_completed--start-----")
        print(results)
        print("下载完毕")
        print("--item_completed--end--------")
        return item

上述代码中的 item_completed() 方法，还有一层含义，是将数据返回到下一个要执行的管道类，例如在该方法中为下一个管道增加 items.py 中的参数，需提前在 items.py 中增加 file_paths 变量。

def item_completed(self, results, item, info):
    print("--item_completed--start-----")
    print(results)
    print("下载完毕")
    file_paths = [x['path'] for ok, x in results if ok]
    adapter = ItemAdapter(item)
    adapter['file_paths'] = file_paths
    print("--item_completed--end--------")
    return item

扩展为多文件下载

只需要修改 cb.py 文件即可实现多文件下载。

import scrapy
from chebiao.items import ChebiaoItem
from urllib.parse import urlparse


class CbSpider(scrapy.Spider):
    name = 'cb'
    allowed_domains = ['chebiao.net']
    start_urls = ['http://www.chebiao.net/domestic.php', 'http://www.chebiao.net/es.php',
                  'http://www.chebiao.net/jsk.php', 'http://www.chebiao.net/other.php',
                  'http://www.chebiao.net/famous.php']

    def parse(self, response):
        down_url = "http://www.chebiao.net/download.php"
        dds = response.xpath("//div[@class='box2']/dl/dd")
        for dd in dds:
            item = ChebiaoItem()
            name = dd.xpath('./a/text()').extract()[0]
            url = dd.xpath('./a/@href').extract()[0]
            url = down_url + "?" + urlparse(url).query
            item['file_name'] = name
            item['file_url'] = url

            yield item

现在我们已经可以下载全站的图片了，接下来实现解压缩文件。

解压文件

由于文件是 rar 格式，所以需要安装 unrar 模块，安装过程非常简单，使用 pip install unrar 即可，但是后续出现一些列问题，接下来为大家一一说明。

安装 unrar 之后，直接使用会出现找不到库的 BUG，需要下载 unrar library，打开 https://www.rarlab.com/rar_add.htm，找到 UnRAR.dll 下载即可，下载之后的文件为 UnRARDLL.exe，直接按照到默认路径，例如我本机为 Windows7 64 位操作系统，安装路径为 C:\\Program Files (x86)\\UnrarDLL。

下面要配置环境变量与文件名称。

1. 配置 x64 目录到系统环境变量中；
2. 修改 x64 目录中的 UnRaR64.dll 和 UnRAR64.lib 为全小写字母。

上述内置配置完毕，由于修改了环境变量，为了让 pycharm 等开发工具加载，需要重启开发工具。

接下来在 ChebiaoPipeline 类中编写如下代码，重点注意解压部分相关代码。

import os
from unrar import rarfile


class ChebiaoPipeline:
    def process_item(self, item, spider):
    	# 获取文件完整路径
        path = os.path.join(os.getcwd(), "files", item['file_path'])
        # 解压路径
        extract_path = os.path.join(os.getcwd(), "files")
        # 由于文件设置了【加密文件名】，所以在加载文件时，也需要设置密码
        rf = rarfile.RarFile(path, pwd="www.chebiao.net")
        # 通过密码解压文件，解压目录为当前目录
        rf.extractall(path=extract_path, pwd="www.chebiao.net")
        return item

最终运行结果如下所示：

写在后面

今天是持续写作的第 249 / 365 天。
期待 关注，点赞、评论、收藏。

更多精彩

《爬虫 100 例，专栏销售中，买完就能学会系列专栏》

↓ ↓ ↓ ↓完整代码↓ ↓ ↓ ↓