scrapy爬取图片

Posted 2020-11-01 思辨

一.遇到的问题总结

scrapy中爬取的多有数据（通过spider.py）,最后必须通过items实例格式化后，传递到pipelines中进行进一步的处理（注意scrapy内置的pipelines文件，像下载图pain）

Request中meta参数的作用是传递信息给下一个函数，使用过程可以理解成：

把需要传递的信息赋值给这个叫meta的变量，但meta只接受字典类型的赋值，因此要把待传递的信息改成“字典”的形式，即：
meta={‘key1‘:value1,‘key2‘:value2}
如果想在下一个函数中取出value1,只需得到上一个函数的meta[‘key1‘]即可，因为meta是随着Request产生时传递的，下一个函数得到的Response对象中就会有meta，
即response.meta，
前一个函数的meta和后一个函数的meta是相同的，取value1则是value1=response.meta[‘key1‘]

这些信息可以是任意类型的，比如值、字符串、列表、字典......方法是把要传递的信息赋值给字典的键，分析见如下语句（爬虫文件）：

 1 作者：乌尔班
 2 链接：https://www.zhihu.com/question/54773510/answer/146971644
 3 来源：知乎
 4 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
 5 
 6 class example(scrapy.Spider):
 7     name=‘example‘
 8     allowed_domains=[‘example.com‘]
 9     start_urls=[‘http://www.example.com‘]
10     def parse(self,response):
11            #从start_urls中分析出的一个网址赋值给url
12            url=response.xpath(‘.......‘).extract()
13            #ExamleClass是在items.py中定义的,下面会写出。
14            """记住item本身是一个字典"""
15            item=ExampleClass()
16            item[‘name‘]=response.xpath(‘.......‘).extract()
17            item[‘htmlurl‘]=response.xpath(‘.......‘).extract()
18            """通过meta参数，把item这个字典，赋值给meta中的‘key‘键（记住meta本身也是一个字典）。
19            Scrapy.Request请求url后生成一个"Request对象"，这个meta字典（含有键值‘key‘，‘key‘的值也是一个字典，即item）
20            会被“放”在"Request对象"里一起发送给parse2()函数 """
21            yield Request(url,meta={‘key‘:item},callback=‘parse2‘)
22      def parse2(self,response):
23            item=response.meta[‘key‘]  #(准确的说是一种浅复制，见文末)实现了两个函数之间参数的共享，相当于 item=item,操作的是同一个items.py中的item字典
24            """这个response已含有上述meta字典，此句将这个字典赋值给item，
25            完成信息传递。这个item已经和parse中的item一样了"""
26            item[‘text‘]=response.xpath(‘.......‘).extract()
27            #item共三个键值，到这里全部添加完毕了
28            yield item

items.py中语句如下：

1 class ExampleClass(scrapy.Item):
2     name = scrapy.Field()
3     htmlurl = scrapy.Field()
4     text=scrapy.Field()

meta当然是可以传递cookie的（第一种）：

下面start_requests中键‘cookiejar’是一个特殊的键，scrapy在meta中见到此键后，会自动将cookie传递到要callback的函数中。既然是键(key)，就需要有值(value)与之对应，例子中给了数字1，也可以是其他值，比如任意一个字符串。

1 def start_requests(self):
2     yield Request(url,meta={‘cookiejar‘:1},callback=self.parse)

需要说明的是，meta给‘cookiejar’赋值除了可以表明要把cookie传递下去，还可以对cookie做标记。一个cookie表示一个会话(session)，如果需要经多个会话对某网站进行爬取，可以对cookie做标记，1,2,3,4......这样scrapy就维持了多个会话。

 1 def parse(self,response):
 2     key=response.meta[‘cookiejar‘]    #经过此操作后，key=1【cookiejar:1---->key:cookiejar----->key=reponse.meta[‘cookiejar‘]    =1】
 3     yield Request(url2,meta={‘cookiejar‘：key},callback=‘parse2‘)
 4 def parse2(self,response):
 5     pass
 6 

 

上面这段和下面这段是等效的：

1 def parse(self,response):
2     yield Request(url2,meta={‘cookiejar‘：response.meta[‘cookiejar‘]},callback=‘parse2‘)
3     #这样cookiejar的标记符还是数字1
4 def parse2(self,response):
5     pass

传递cookie的第二种写法：

如果不加标记，可以用下面的写法：

1 #先引入CookieJar()方法
2 from scrapy.http.cookies import CookieJar

写spider方法时：

1 def start_requests(self):
2     yield Request(url,callback=self.parse)#此处写self.parse或‘parse’都可以
3 def parse(self,response):
4     cj = response.meta.setdefault(‘cookie_jar‘, CookieJar())
5     cj.extract_cookies(response, response.request)
6     container = cj._cookies
7     yield Request(url2,cookies=container,meta={‘key‘:container},callback=‘parse2‘)
8 def parse2(self,response):
9     pass

meta是浅复制，必要时需要深复制。

可以这样引入：

1 import copy
2 meta={‘key‘:copy.deepcopy(‘value‘)}

 

作者：乌尔班
链接：https://www.zhihu.com/question/54773510/answer/146971644
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。