使用Scrapy自帶的ImagesPipeline下載圖片，並對其進行分類。

ImagesPipeline是scrapy自帶的類，用來處理圖片（爬取時將圖片下載到本地）用的。

優勢：

1. 將下載圖片轉換成通用的JPG和RGB格式
2. 避免重復下載
3. 縮略圖生成
4. 圖片大小過濾
5. 異步下載
6. ......

工作流程：

1. 爬取一個Item，將圖片的URLs放入image_urls字段
2. 從Spider返回的Item，傳遞到Item Pipeline
3. 當Item傳遞到ImagePipeline，將調用Scrapy 調度器和下載器完成image_urls中的url的調度和下載。
4. 圖片下載成功結束后，圖片下載路徑、url和校驗和等信息會被填充到images字段中。

實現方式：

1. 自定義pipeline，優勢在於可以重寫ImagePipeline類中的實現方法，可以根據情況對照片進行分類；
2. 直接使用ImagePipeline類，簡單但不夠靈活；所有的圖片都是保存在full文件夾下，不能進行分類

實踐：爬取http://699pic.com/image/1/這個網頁下的前四個圖片集（好進行分類演示）

這里使用方法一進行實現：

步驟一：建立項目與爬蟲

1.創建工程：scrapy startproject xxx(工程名)

2.創建爬蟲：進去到上一步創建的目錄下：scrapy genspider xxx(爬蟲名)  xxx(域名)

 

步驟二：創建start.py

 from scrapy import cmdline

cmdline.execute("scrapy crawl 699pic（爬蟲名）".split(" "))

 

步驟三：設置settings

1.關閉機器人協議，改成False

2.設置headers

3.打開ITEM_PIPELINES

 

將項目自動生成的pipelines注釋掉，黃色部分是下面步驟中自己寫的pipeline,這里先不寫。

 

步驟四：item

class Img699PicItem(scrapy.Item):
    # 分類的標題
    category=scrapy.Field()
    # 存放圖片地址
    image_urls=scrapy.Field()
    # 下載成功后返回有關images的一些相關信息
    images=scrapy.Field()

 

步驟五：寫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

 

步驟六: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):
        # 這個方法是在發送下載請求之前調用的，其實這個方法本身就是去發送下載請求的
        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):
        # 這個方法是在圖片將要被存儲的時候調用，來獲取這個圖片存儲的路徑
        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

步驟七：返回到settings中

1.將黃色部分填上

2.存放圖片的總路徑

IMAGES_STORE=os.path.join(os.path.dirname(os.path.dirname(__file__)),'images')

 

最終結果：