爬蟲2.4-scrapy框架-圖片分類下載
目錄
scrapy框架-圖片下載
python小知識：
map函式：將一個可迭代物件的每個值，依次交給一個函式處理，返回一個生成器。
urls = uibox.xpath(".//ul/li/a/img/@src").getall()
urls = list(map(lambda url: 'https:'+url, urls))urls本身是一個列表，使用map函式，將urls中的每一項傳遞給url ，並讓url執行‘https:’+url的操作。 lambda則是一個無名函式，方便一行內寫完函式。最後用list函式將map返回的生成器轉成列表
1 傳統下載方法：
pipelines.py def process_item(self, item, spider): category = item['category'] # 一個字串 urls = item['urls'] # 一個列表 local_path = os.path.abspath('.') # 獲取絕對路經 os.mkdir(r'{}\images\{}'.format(local_path, category)) #分類建立images/category資料夾 for url in urls: filename = url.split('_')[-1] # 獲取圖片名 request.urlretrieve(url, '{}\images\{}\{}'.format(local_path, category, filename)) # 將圖片下載到/images/category/filename
缺點是非非同步，圖片是一張一張按順序下載的，數量較大時效率低
2 scrapy框架的下載方法
scrapy.pipelines中提供了兩個下載檔案的子類
一個是scrapy.pipelines.files 中的FilesPipeline，另一個是scrapy.pipelines.images 中的ImagesPipeline
其中ImagesPipeline專門用於下載圖片，是繼承自FilesPipeline
ImagesPipeline使用方法
1）在items.py中定義好image_urls和images，image_urls是用來儲存需要下載的圖片的url，需要給一個列表，images中需要儲存圖片的屬性，如下載路徑、url、圖片的校驗碼等
2）當圖片下載完成後，會把檔案下載的相關資訊儲存到item中的images屬性中。
3）在配置檔案settings.py中配置IMAGES_STROE，這個配置是用來設定圖片下載路徑的
4）啟動pipeline，在ITEM_PIPELINES中註釋原來的pepeline設定'scrapy.pipelines.images.ImagesPipeline':1
FilesPipeline使用方法類似
定義好file_urls和file，設定好FILES_STORE，以及ITEM_PIPELINES中的scrapy.pipelines.files.FilesPipeline:1
2.1 將圖片全部下載到full資料夾下
本來高高興興來到實驗室，2分鐘就把需要整的步驟整完了，如何折騰了一個小時都沒想通為什麼爬蟲無法執行parse()函式，各種百度，最後對比之前寫的爬蟲發現，我睡了午覺起來迷迷糊糊將start_urls 改成了start_image_urls 這樣的話scrapy框架一檢查，沒有開始點啊，那直接就結束了。。。。
1）修改setttings.py 註釋掉原來的ITEM_PIPELINES中的內容，新增'scrapy.pipelines.images.ImagesPipeline': 1
並新增圖片儲存路徑IMAGES_STORE = os.path.join(os.path.abspath('.'), 'images')
~ settings.py
ITEM_PIPELINES = {
# 'bmw.pipelines.BmwPipeline': 300,
'scrapy.pipelines.images.ImagesPipeline': 1
}
IMAGES_STORE = os.path.join(os.path.abspath('.'), 'images') # 爬蟲專案根目錄/images2）修改items.py 新增或修改 image_urls和images
image_urls = scrapy.Field()
images = scrapy.Field()3）修改[spider.py] yield image_urls
item = BmwItem(category=category, image_urls=image_urls) # 重點在於image_urls
yield item執行，得到結果：./images/full 目錄下下載了一堆沒有分類的圖片
這個時候就想怎麼講圖片分類下載好，比如車身圖片（實驗程式碼以汽車之家寶馬5x圖片進行下載）就在/images/車身，內部圖片在/images/內部，這樣強迫症才舒服
2.2 將圖片分類到不同目錄
這裡就需要重寫scrapy.pipelines.images.ImagesPipeline裡面的一些方法了。
這裡需要注意：parse()函式中yield 丟擲的資料格式為 category: ‘xxx’ image_urls: ['url', 'url'....] images: ''
所以在之後操作時，每次丟擲的image_urls 都對應著同一個category
1）繼承ImagesPipeline，並改寫一些返回值
from bmw import settings # bmw是專案名
import os # 2)中需要用到
class BMWImagesPipeline(ImagesPipeline): # 新定義一個子類，繼承ImagesPipeline
def get_media_requests(self, item, info):
request_objs = super(BMWImagesPipeline, self).get_media_requests(item, info)
for request_obj in request_objs:
request_obj.item = item # 為每個request_obj物件新增item屬性，裡面包含了category
return request_objs # 父類中必須返回這個列表，給其他函式使用get_media_requests函式原本返回的是[Request(x) for x in item.get(self.images_urls_field, [])]，即返回了一個Request(url)的列表，這裡改造一下，使用super重複父類中的方法，得到一個返回值，並添加了item屬性，方便下一步使用。
2）重寫file_path()方法
def file_path(self, request, response=None, info=None):
# path獲取父類中file_path方法返回的值即‘full/hash.jpg' hash是圖片的雜湊值
path = super(BMWImagesPipeline, self).file_path(request, response, info)
#request即前一個函式返回的列表中的每一項，所以有item屬性
category = request.item.get('category')
images_store = settings.IMAGES_STORE # IMAGES_STORE是需要下載到的路徑，例如c:/images
category_path = os.path.join(images_store, category) # 建立每個種類的路徑並判斷是否已存在
if not os.path.exists(category_path):
os.mkdir(category_path)
image_name = path.replace('full/', '') # 去掉原本的'full/' 只留下檔名
image_path = os.path.join(category_path, image_name)
# 圖片完整的路徑和檔名c:/images/aaa/js451v88225F45sd42f4y4.jpg
return image_path3）修改settings.py中的配置
ITEM_PIPELINES = {
# 'bmw.pipelines.BmwPipeline': 300, 註釋掉原有的pipeline
'bmw.pipelines.BMWImagesPipeline': 1
}
IMAGES_STORE = os.path.join(os.path.abspath('.'), 'images') # 新增圖片儲存地址完工，重寫之後每個圖片的路徑就包含了自己的種類，下載完成後目錄格式如下：
images
車頭
41312r322r2234.jpg
1425flj5l2.jpg
車身
。。3 分類下載完整程式碼
專案名：bmw 爬蟲名：bmw5x
bmw5x.py
import scrapy
from bmw.items import BmwItem
class Bmw5xSpider(scrapy.Spider):
name = 'bmw5x'
allowed_domains = ['car.autohome.com.cn']
start_urls = ['https://car.autohome.com.cn/pic/series/65.html#pvareaid=2042209']
def parse(self, response):
uiboxs = response.xpath("//div[@class='uibox']")[1:]
for uibox in uiboxs:
category = uibox.xpath("./div/a/text()").get()
image_urls = uibox.xpath(".//ul/li/a/img/@src").getall()
image_urls = list(map(lambda url: 'https:'+url, image_urls))
item = BmwItem(category=category, image_urls=image_urls)
yield itemitems.py
import scrapy
class BmwItem(scrapy.Item):
category = scrapy.Field()
image_urls = scrapy.Field()
images = scrapy.Field()pipelines.py
import os
from scrapy.pipelines.images import ImagesPipeline
from bmw import settings
class BMWImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
request_objs = super(BMWImagesPipeline, 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):
path = super(BMWImagesPipeline, self).file_path(request, response, info)
category = request.item.get('category')
images_store = settings.IMAGES_STORE
category_path = os.path.join(images_store, category)
if not os.path.exists(category_path):
os.mkdir(category_path)
image_name = path.replace('full/', '')
image_path = os.path.join(category_path, image_name)
return image_pathsettings.py
import os
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'User-Agent': 'xxx',
'Referer': 'xxx',
'Cookie': 'xxx'
}
ITEM_PIPELINES = {
'bmw.pipelines.BMWImagesPipeline': 1
}
IMAGES_STORE = os.path.join(os.path.abspath('.'), 'images')