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

Posted 2020-12-31 kctrina

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. 从Spider返回的Item，传递到Item Pipeline
3. 当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）

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

2.设置headers

3.打开ITEM_PIPELINES

 

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

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：