爬虫之scrapy下载文件和图片

一：下载文件的 Files Pipeline

使用Files Pipeline下载文件，按照以下步骤完成：

1. 定义好一个Item，然后在这个item中定义两个属性，分别为file_urls以及files。files_urls是用来存储需要下载的文件的url链接，需要给一个列表
2. 当文件下载完成后，会把文件下载的相关信息存储到item的files属性中。如下载路径、下载的url和文件校验码等
3. 在配置文件settings.py中配置FILES_STORE，这个配置用来设置文件下载路径
4. 启动pipeline：在ITEM_PIPELINES中设置scrapy.piplines.files.FilesPipeline:1

二：下载图片的 Images Pipeline

使用images pipeline下载文件步骤：

1. 定义好一个Item，然后在这个item中定义两个属性，分别为image_urls以及images。image_urls是用来存储需要下载的文件的url链接，需要给一个列表
2. 当文件下载完成后，会把文件下载的相关信息存储到item的images属性中。如下载路径、下载的url和图片校验码等
3. 在配置文件settings.py中配置IMAGES_STORE，这个配置用来设置文件下载路径
4. 启动pipeline：在ITEM_PIPELINES中设置scrapy.pipelines.images.ImagesPipeline:1

2.1 配置文件修改

import os
ITEM_PIPELINES = {
   # 'bmw.pipelines.BmwPipeline': 300,
    'scrapy.pipelines.images.ImagesPipeline': 1    # 使用scrapy内置的ImagesPipeline
}
# 配置文件的下载路径
IMAGES_STORE = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')

2.2 修改items字段

import scrapy
class BmwItem(scrapy.Item):
    category = scrapy.Field()
    image_urls = scrapy.Field()
    images = scrapy.Field()

2.3 修改爬取数据文件

由于字段修改了，在爬取数据文件中，只需要修改下字段名即可

class BmwSpider(scrapy.Spider):
    name = 'bmw'
    allowed_domains = ['car.autohome.com.cn']
    start_urls = ['https://car.autohome.com.cn/pic/series/4472.html']
    def parse(self, response):
        uiboxs = response.xpath('//div[@class="uibox"]')[1:]
        for uibox in uiboxs:
            category = uibox.xpath('.//div[@class="uibox-title"]/a/text()').get()
            url_list = uibox.xpath('.//ul/li/a/img/@src').getall()
            # urls = ['https:' + url for url in url_list]
            urls = list(map(lambda url: response.urljoin(url), url_list))
            item = AutohomeItem(category = category, image_urls = urls)    # 修改这里的urls为image_urls
            yield item

修改完后即可运行程序，下载图片（异步下载）。
下载的图片都保存在images/full/目录下，为什么了多了full这个目录，查看下源码：

由于scrapy默认的Images Pipeline目录结构不是我们想要的，我们希望图片按照目标站的分类进行创建目录结构，所以得重写保存路径的代码

2.4 自定义 images pipeline

首先修改下settings配置文件：

ITEM_PIPELINES = {
   # 'bmw.pipelines.BmwPipeline': 300,
   #  'scrapy.pipelines.images.ImagesPipeline': 1
    'bmw.pipelines.BmwImagesPipeline': 1      # 自定义的BmwImagesPipeline类
}

在pipelines.py文件实现自定义的BmwImagesPipeline类：

import os
from urllib import request
from scrapy.pipelines.images import ImagesPipeline
from bmw import settings

class BmwImagesPipeline(ImagesPipeline):    # 必须继承ImagesPipeline
    # 重写父类的下面两个方法
    def get_media_requests(self, item, info):
        # 该方法在发送下载请求前调用，其实这个方法本身就是去发送下载请求的
        # 因为file_path中并没有item对象，所以使用该方法将item动态绑定到request对象上
        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):
        # 该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路径
        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_path

 

三：Images Pipeline的简单案例

1：spider文件内容如下

import scrapy
from ImgsPro.items import ImgsproItem
class ChinazSpider(scrapy.Spider):
    name = 'chinaz'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://sc.chinaz.com/tupian/']
    def parse(self, response):
        div_list = response.xpath('//div[@id="container"]/div')
        for div in div_list:
            # 这里涉及到了图片的懒加载，所以这里的xpath规则使用了src2的这个伪属性
            src = div.xpath('./div/a/img/@src2').extract_first()
            item = ImgsproItem(src = src)
            yield item

2：items.py文件内容

import scrapy
class ImgsproItem(scrapy.Item):
    src = scrapy.Field()

3：pipeline文件内容

from scrapy.pipelines.images import ImagesPipeline
import scrapy
class ImgsPipeline(ImagesPipeline):
    # 主要重写下面三个父类方法
    def get_media_requests(self, item, info):
        yield scrapy.Request(item['src'])
    def file_path(self, request, response=None, info=None):
        img_name = request.url.split('/')[-1]
        return img_name    # 返回文件名
    def item_completed(self, results, item, info):
        return item # 返回给下一个即将被执行的管道类

4：settings配置文件

ITEM_PIPELINES = {
   # 'ImgsPro.pipelines.ImgsproPipeline': 300,
   'ImgsPro.pipelines.ImgsPipeline': 300,
}
IMAGES_STORE = './images'