Media Pipeline如何爬取妹子圖

這篇文章給大家介紹Media Pipeline如何爬取妹子圖，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

前言

我們?cè)谧ト?shù)據(jù)的過程中，除了要抓取文本數(shù)據(jù)之外，當(dāng)然也會(huì)有抓取圖片的需求。那我們的 scrapy 能爬取圖片嗎？答案是，當(dāng)然的。說來慚愧，我也是上個(gè)月才知道，在 zone7 粉絲群中，有群友問 scrapy 怎么爬取圖片數(shù)據(jù)？后來搜索了一下才知道?，F(xiàn)在總結(jié)一下分享出來。

Media Pipeline

我們的 itempipeline 處理可以處理文字信息以外，還可以保存文件和圖片數(shù)據(jù)，分別是 FilesPipeline 和 ImagesPipeline

Files Pipeline

• 避免重新下載最近已經(jīng)下載過的數(shù)據(jù)

• 指定存儲(chǔ)路徑

FilesPipeline的典型工作流程如下：

• 在一個(gè)爬蟲里，你抓取一個(gè)項(xiàng)目，把其中圖片的URL放入 file_urls 組內(nèi)。

• 項(xiàng)目從爬蟲內(nèi)返回，進(jìn)入項(xiàng)目管道。

• 當(dāng)項(xiàng)目進(jìn)入 FilesPipeline，file_urls 組內(nèi)的URLs將被Scrapy的調(diào)度器和下載器（這意味著調(diào)度器和下載器的中間件可以復(fù)用）安排下載，當(dāng)優(yōu)先級(jí)更高，- - 會(huì)在其他頁面被抓取前處理。項(xiàng)目會(huì)在這個(gè)特定的管道階段保持“l(fā)ocker”的狀態(tài)，直到完成文件的下載（或者由于某些原因未完成下載）。

• 當(dāng)文件下載完后，另一個(gè)字段(files)將被更新到結(jié)構(gòu)中。這個(gè)組將包含一個(gè)字典列表，其中包括下載文件的信息，比如下載路徑、源抓取地址（從 file_urls 組獲得）和圖片的校驗(yàn)碼(checksum)。 files 列表中的文件順序?qū)⒑驮?file_urls 組保持一致。如果某個(gè)圖片下載失敗，將會(huì)記錄下錯(cuò)誤信息，圖片也不會(huì)出現(xiàn)在 files 組中。

Images Pipeline

• 避免重新下載最近已經(jīng)下載過的數(shù)據(jù)

• 指定存儲(chǔ)路徑

• 將所有下載的圖片轉(zhuǎn)換成通用的格式（JPG）和模式（RGB）

• 縮略圖生成

• 檢測圖像的寬/高，確保它們滿足最小限制

啟用Media Pipeline

# 同時(shí)啟用圖片和文件管道
ITEM_PIPELINES = { # 使用時(shí)，請(qǐng)修改成你自己的 ImgPipeline
    'girlScrapy.pipelines.ImgPipeline': 1,
}
FILES_STORE = os.getcwd() + '/girlScrapy/file'  # 文件存儲(chǔ)路徑
IMAGES_STORE = os.getcwd() + '/girlScrapy/img'  # 圖片存儲(chǔ)路徑

# 避免下載最近90天已經(jīng)下載過的文件內(nèi)容
FILES_EXPIRES = 90
# 避免下載最近90天已經(jīng)下載過的圖像內(nèi)容
IMAGES_EXPIRES = 30

# 設(shè)置圖片縮略圖
IMAGES_THUMBS = {
    'small': (50, 50),
    'big': (250, 250),
}
# 圖片過濾器，最小高度和寬度，低于此尺寸不下載
IMAGES_MIN_HEIGHT = 128
IMAGES_MIN_WIDTH = 128

需要說明的是，你下載的圖片名最終會(huì)以圖片 URL 的 hash 值命名，例如：

0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

最終的保存地址為：

your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

使用 ImgPipeline

這是我 demo 中的一個(gè) ImgPipeline，里面重寫了兩個(gè)方法。

from scrapy.pipelines.images import ImagesPipeline
class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個(gè)類

    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            image_url = image_url
            yield scrapy.Request(image_url)
    def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        return item

分別是：

get_media_requests(self, item, info):
item_completed(self, results, item, info):

get_media_requests(self, item, info):

在這里，我們可以獲取到 parse 中解析的 item 值，因此我們可以獲取到相應(yīng)的圖片地址。在這里返回一個(gè) scrapy.Request(image_url) 去下載圖片。

item_completed(self, results, item, info):

item 和 info 打印出來都是 url 地址列表。其中 results 打印出來是如下值。

# 成功
[(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',
 'checksum': '98eb559631127d7611b499dfed0b6406', 
'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]
# 錯(cuò)誤
[(False,
  Failure(...))]

抓取妹子圖

ok，理論部分也講完了，那我們來實(shí)踐一下吧

spider

spider 部分很簡單，如下：

class GirlSpider(scrapy.spiders.Spider):
    name = 'girl'
    start_urls = ["http://www.meizitu.com/a/3741.html"]
    def parse(self, response):
        soup = BeautifulSoup(response.body, 'html5lib')
        pic_list = soup.find('div', id="picture").find_all('img')  # 找到界面所有圖片
        link_list = []
        item = ImgItem()
        for i in pic_list:
            pic_link = i.get('src')  # 拿到圖片的具體 url
            link_list.append(pic_link)  # 提取圖片鏈接
        item['image_urls'] = link_list
        print(item)
        yield item

item

class ImgItem(scrapy.Item):
    image_urls = scrapy.Field()#圖片的鏈接
    images = scrapy.Field()

ImgPipeline

class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個(gè)類
    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            image_url = image_url
            yield scrapy.Request(image_url)
    def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        return item

啟動(dòng)

scrapy crawl girl

最終爬取結(jié)果如下：

關(guān)于Media Pipeline如何爬取妹子圖就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。