辰东,好看的玄幻小说

主頁 > 知識(shí)庫 > Python爬蟲之教你利用Scrapy爬取圖片

Python爬蟲之教你利用Scrapy爬取圖片

Scrapy下載圖片項(xiàng)目介紹

Scrapy是一個(gè)適用爬取網(wǎng)站數(shù)據(jù)、提取結(jié)構(gòu)性數(shù)據(jù)的應(yīng)用程序框架，它可以通過定制化的修改來滿足不同的爬蟲需求。

使用Scrapy下載圖片

項(xiàng)目創(chuàng)建

首先在終端創(chuàng)建項(xiàng)目

# win4000為項(xiàng)目名
$ scrapy startproject  win4000

該命令將創(chuàng)建下述項(xiàng)目目錄。

項(xiàng)目預(yù)覽

查看項(xiàng)目目錄

win4000
win4000
spiders
__init__.py
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
scrapy.cfg

創(chuàng)建爬蟲文件

進(jìn)入spiders文件夾，根據(jù)模板文件創(chuàng)建爬蟲文件

$ cd win4000/win4000/spiders
# pictures 為 爬蟲名
$ scrapy genspider pictures "win4000.com"

項(xiàng)目組件介紹

1.引擎(Scrapy)：核心組件，處理系統(tǒng)的數(shù)據(jù)流處理，觸發(fā)事務(wù)。

2.調(diào)度器(Scheduler)：用來接受引擎發(fā)出的請(qǐng)求, 壓入隊(duì)列中, 并在引擎再次請(qǐng)求的時(shí)候返回。由URL組成的優(yōu)先隊(duì)列, 由它來決定下一個(gè)要抓取的網(wǎng)址是什么，同時(shí)去除重復(fù)的網(wǎng)址。

3.下載器(Downloader)：用于下載網(wǎng)頁內(nèi)容, 并將網(wǎng)頁內(nèi)容返回給Spiders。

4.爬蟲(Spiders)：用于從特定的網(wǎng)頁中提取自己需要的信息, 并用于構(gòu)建實(shí)體(Item)，也可以從中提取出鏈接,讓Scrapy繼續(xù)抓取下一個(gè)頁面

5.管道(Pipeline)：負(fù)責(zé)處理Spiders從網(wǎng)頁中抽取的實(shí)體，主要的功能是持久化實(shí)體、驗(yàn)證實(shí)體的有效性、清除不需要的信息。當(dāng)頁面被Spiders解析后，將被發(fā)送到項(xiàng)目管道。

6.下載器中間件(Downloader Middlewares)：位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請(qǐng)求及響應(yīng)。

7.爬蟲中間件(Spider Middlewares)：介于Scrapy引擎和爬蟲之間的框架，主要工作是處理Spiders的響應(yīng)輸入和請(qǐng)求輸出。

8.調(diào)度中間件(Scheduler Middewares)：介于Scrapy引擎和調(diào)度之間的中間件，從Scrapy引擎發(fā)送到調(diào)度的請(qǐng)求和響應(yīng)。

Scrapy爬蟲流程介紹

Scrapy基本爬取流程可以描述為UR2IM(URL-Request-Response-Item-More URL)：

1.引擎從調(diào)度器中取出一個(gè)鏈接(URL)用于接下來的抓?。?/p>

2.引擎把URL封裝成一個(gè)請(qǐng)求(Request)傳給下載器；

3.下載器把資源下載下來，并封裝成應(yīng)答包(Response)；

4.爬蟲解析Response；

5.解析出實(shí)體（Item）,則交給實(shí)體管道進(jìn)行進(jìn)一步的處理；

6.解析出的是鏈接（URL）,則把URL交給調(diào)度器等待抓取。

頁面結(jié)構(gòu)分析

首先查看目標(biāo)頁面，可以看到包含多個(gè)主題，選取感興趣主題，本項(xiàng)目以“風(fēng)景”為例(作為練習(xí)，也可以通過簡(jiǎn)單修改，來爬取所有模塊內(nèi)圖片)。

在“風(fēng)景”分類頁面，可以看到每頁包含多個(gè)專題，利用開發(fā)者工具，可以查看每個(gè)專題的URL，拷貝相應(yīng)XPath，利用Xpath的規(guī)律性，構(gòu)建循環(huán)，用于爬取每個(gè)專題內(nèi)容。

# 查看不同專題的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[1]/a
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[2]/a

利用上述結(jié)果，可以看到li[index]中index為專題序列。因此可以構(gòu)建Xpath列表如下：

item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')

利用開發(fā)者工具，可以查看下一頁的URL，拷貝相應(yīng)XPath用于爬取下一頁內(nèi)容。

# 查看“下一頁”的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[2]/div/a[5]

因此可以構(gòu)建如下XPath：

next_selector = response.xpath('//a[@class="next"]')

點(diǎn)擊進(jìn)入專題，可以看到具體圖片，通過查看圖片XPath，用于獲取圖片地址。

# 構(gòu)建圖片XPath
response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()

可以通過標(biāo)題和圖片序列構(gòu)建圖片名。

# 利用序號(hào)XPath構(gòu)建圖片在列表中的序號(hào)
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
# 利用標(biāo)題XPath構(gòu)建圖片標(biāo)題
title = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first()
# 利用圖片標(biāo)題title和序號(hào)index構(gòu)建圖片名
name = title + '_' + index + '.jpg'

同時(shí)可以看到，在專題頁面下，包含了多張圖片，可以通過點(diǎn)擊“下一張”按鈕來獲取下一頁面URL，此處為了簡(jiǎn)化爬取過程，可以通過觀察URL規(guī)律來構(gòu)建每一圖片詳情頁的URL，來下載圖片。

# 第一張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401.html
# 第二張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401_2.html

因此可以通過首頁地址和圖片序號(hào)來構(gòu)建每一張圖片詳情頁地址。

# 第一張圖片詳情頁地址
first_url = response.url
# 圖片總數(shù)
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):
    next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'

定義Item字段（Items.py）

本項(xiàng)目用于下載圖片，因此可以僅構(gòu)建圖片名和圖片地址字段。

# win4000/win4000/items.py
import scrapy

class Win4000Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    url = scrapy.Field()
    name = scrapy.Field()

編寫爬蟲文件(pictures.py)

代碼詳解見代碼注釋。

# win4000/win4000/spiders/pictures.py
import scrapy
from win4000.items import Win4000Item
from urllib import parse
import time

class PicturesSpider(scrapy.Spider):
    name = 'pictures'
    allowed_domains = ['win4000.com']
    start_urls = ['http://www.win4000.com/zt/fengjing.html']
    
    start_urls = ['http://www.win4000.com/zt/fengjing.html']
    # cookie用于模仿瀏覽器行為
    cookie={
                "t":"29b7c2a8d2bbf060dc7b9ec00e75a0c5",
                "r":"7957",
                "UM_distinctid":"178c933b40e9-08430036bca215-7e22675c-1fa400-178c933b40fa00",
                "CNZZDATA1279564249":"1468742421-1618282415-%7C1618282415",
                "XSRF-TOKEN":"eyJpdiI6Ik8rbStsK1Fwem5zR2YzS29ESlI2dmc9PSIsInZhbHVlIjoiaDl5bXp5b1VvWmdSYklWWkEwMWJBK0FaZG9OaDA1VGQ2akZ0RDNISWNDM0hnOW11Q0JTVDZFNlY4cVwvSTBjQlltUG9tMnFUcWd5MzluUVZ0NDBLZlJuRWFuaVF0U3k0XC9CU1dIUzJybkorUEJ3Y2hRZTNcL0JqdjZnWjE5SXFiNm8iLCJtYWMiOiI2OTBjOTkzMTczYWQwNzRiZWY5MWMyY2JkNTQxYjlmZDE2OWUyYmNjNDNhNGYwNDAyYzRmYTk5M2JhNjg5ZmMwIn0%3D",
                "win4000_session":"eyJpdiI6Inc2dFprdkdMTHZMSldlMXZ2a1cwWGc9PSIsInZhbHVlIjoiQkZHVlNYWWlET0NyWWlEb2tNS0hDSXAwZGVZV05vTmY0N0ZiaFdTa1VRZUVqWkRmNWJuNGJjNkFNa3pwMWtBcFRleCt4SUFhdDdoYnlPMGRTS0dOR0tkdmVtVDhzUWdTTTc3YXpDb0ZPMjVBVGJzM2NoZzlGa045Qnl0MzRTVUciLCJtYWMiOiI2M2VmMTEyMDkxNTIwNmJjZjViYTg4MjIwZGIxNTlmZWUyMTJlYWZhNjk5ZmM0NzgyMTA3MWE4MjljOWY3NTBiIn0%3D"
            }
    
    def start_requests(self):
        """
        重構(gòu)start_requests函數(shù)，用于發(fā)送帶有cookie的請(qǐng)求，模仿瀏覽器行為
        """
        yield scrapy.Request('http://www.win4000.com/zt/fengjing.html', callback=self.parse, cookies=self.cookie)

    def parse(self,response):
    	# 獲取下一頁的選擇器
        next_selector = response.xpath('//a[@class="next"]')
        for url in next_selector.xpath('@href').extract():
            url = parse.urljoin(response.url,url)
            # 暫停執(zhí)行，防止網(wǎng)頁的反爬蟲程序
            time.sleep(3)
            # 用于爬取下一頁
            yield scrapy.Request(url, cookies=self.cookie)
        # 用于獲取每一專題的選擇器
        item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
        for item_url in item_selector.extract():
            item_url = parse.urljoin(response.url,item_url)
            #print(item_url)
            time.sleep(3)
            # 請(qǐng)求專題頁面，并利用回調(diào)函數(shù)callback解析專題頁面
            yield scrapy.Request(item_url,callback=self.parse_item, cookies=self.cookie)
            
    def parse_item(self,response):
        """
        用于解析專題頁面
        """
        # 由于Scrapy默認(rèn)并不會(huì)爬取重復(fù)頁面，
        # 因此需要首先構(gòu)建首張圖片實(shí)體，然后爬取剩余圖片，
        # 也可以通過使用參數(shù)來取消過濾重復(fù)頁面的請(qǐng)求
        # 首張圖片實(shí)體
        item = Win4000Item()
        item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
        index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
        item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
        yield item
        first_url = response.url
        num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
        num = int(num)
        for i in range(2,num+1):
            next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'
            # 請(qǐng)求其余圖片，并用回調(diào)函數(shù)self.parse_detail解析頁面
            yield scrapy.Request(next_url,callback=self.parse_detail,cookies=self.cookie)

    def parse_detail(self,response):
        """
        解析圖片詳情頁面，構(gòu)建實(shí)體
        """
        item = Win4000Item()
        item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
        index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
        item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
        yield item

修改配置文件settings.py

修改win4000/win4000/settings.py中的以下項(xiàng)。

BOT_NAME = 'win4000'

SPIDER_MODULES = ['win4000.spiders']
NEWSPIDER_MODULE = 'win4000.spiders'
# 圖片保存文件夾
IMAGES_STORE = './result'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 用于模仿瀏覽器行為
USER_AGENT = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:87.0) Gecko/20100101 Firefox/87.0'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# 下載時(shí)延
DOWNLOAD_DELAY = 3

# Disable cookies (enabled by default)
# 是否啟用Cookie
COOKIES_ENABLED = True

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'win4000.pipelines.Win4000Pipeline': 300,
}

修改管道文件pipelines.py用于下載圖片

修改win4000/win4000/pipelines.py文件。

from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import scrapy
import os
from scrapy.exceptions import DropItem

class Win4000Pipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        # 下載圖片，如果傳過來的是集合需要循環(huán)下載
        # meta里面的數(shù)據(jù)是從spider獲取，然后通過meta傳遞給下面方法：file_path
        yield scrapy.Request(url=item['url'],meta={'name':item['name']})

    def item_completed(self, results, item, info):
        # 是一個(gè)元組，第一個(gè)元素是布爾值表示是否成功
        if not results[0][0]:
            with open('img_error_name.txt','a') as f_name:
                error_name = str(item['name'])
                f_name.write(error_name)
                f_name.write('\n')

            with open('img_error_url.txt','a') as f_url:
                error_url = str(item['url'])
                f_url.write(error_url)
                f_url.write('\n')
                raise DropItem('下載失敗')
        return item

     # 重命名，若不重寫這函數(shù)，圖片名為哈希，就是一串亂七八糟的名字
    def file_path(self, request, response=None, info=None):
        # 接收上面meta傳遞過來的圖片名稱
        filename = request.meta['name']
        return filename

編寫爬蟲啟動(dòng)文件begin.py

在win4000目錄下創(chuàng)建begin.py

# win4000/begin.py
from scrapy import cmdline

cmdline.execute('scrapy crawl pictures'.split())

最終目錄樹

win4000
begin.py
win4000
spiders
__init__.py
pictures.py
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
scrapy.cfg

項(xiàng)目運(yùn)行

進(jìn)入begin.py所在目錄，運(yùn)行程序，啟動(dòng)scrapy進(jìn)行爬蟲。

$ python3 begin.py

爬取結(jié)果

后記

本項(xiàng)目?jī)H用于測(cè)試用途。
Enjoy coding.

到此這篇關(guān)于Python爬蟲之教你利用Scrapy爬取圖片的文章就介紹到這了,更多相關(guān)python中用Scrapy爬取圖片內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

Python爬蟲實(shí)戰(zhàn)之使用Scrapy爬取豆瓣圖片
Python爬取網(wǎng)站圖片并保存的實(shí)現(xiàn)示例
python制作微博圖片爬取工具
python繞過圖片滑動(dòng)驗(yàn)證碼實(shí)現(xiàn)爬取PTA所有題目功能附源碼
利用python批量爬取百度任意類別的圖片的實(shí)現(xiàn)方法
Python使用xpath實(shí)現(xiàn)圖片爬取
Python Scrapy圖片爬取原理及代碼實(shí)例
Python3直接爬取圖片URL并保存示例
python爬取某網(wǎng)站原圖作為壁紙
用Python做一個(gè)嗶站小姐姐詞云跳舞視頻

標(biāo)簽：中山呼和浩特畢節(jié) 湖州江蘇駐馬店衡水股票

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《Python爬蟲之教你利用Scrapy爬取圖片》，本文關(guān)鍵詞 Python,爬蟲,之教,你,利用,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。