Python爬虫之scrapy下载文件和图片

一：pipeline

scrapy为下载 item上包含的文件（比如在爬取到产品时，同时也想保存对应的图片）提供了一个可重用的item pipelines。这些pipeline 有些共同的方法和结构（我们称之为media pipeline)。一般来说你会使用Files Pipeline或者images pipelines。

为什么要选择scrapy内置的下载文件的方法
1：避免重新下载最近已经下载过的数据
2：可以方便的指定文件存储的路径
3：可以将下载的图片转换成通用的格式。如：png,jpg
4：可以方便的生成缩略图
5：可以方便的检测图片的宽和高，确保他们满足最小限制
6：异步下载，效率非常高

二：使用scrapy下载图片

2.1 创建scrapy项目

(crawler) F:\WWWROOT\crawler>scrapy startproject bmw

1.2 创建爬虫

(crawler) F:\WWWROOT\crawler>scrapy genspider bmw5 "car.autohome.com.cn"

1.3 配置文件设置

ROBOTSTXT_OBEY = False 
DOWNLOAD_DELAY = 1
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11'
}
ITEM_PIPELINES = {
   'bmw.pipelines.BmwPipeline': 300,
}

1.4 编写启动文件

from scrapy import cmdline
cmdline.execute("scrapy crawl bmw5".split())

启动文件用来代替命令行启动，文件放在项目根目录下

1.5 爬取数据

import scrapy
from xspider.items import XspiderItem

class ScandalSpider(scrapy.Spider):
    name = 'bmw'
    allowed_domains = ['car.autohome.com.cn']
    start_urls = ['https://car.autohome.com.cn/pic/series/202.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()
            urls = uibox.xpath('.//ul/li/a/img/@src').getall()
            urls = list(map(lambda url: response.urljoin(url), urls))
            item = XspiderItem(category = category, urls = urls)
            yield item

1.6 定义字段

import scrapy
class XspiderItem(scrapy.Item):
    category = scrapy.Field()
    urls = scrapy.Field()

1.7 使用默认的pipeline下载图片

import os
from urllib import request
class AutohomePipeline:
    def __init__(self):
        self.image_path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
        self.create_dir(self.image_path)
    def create_dir(self, dir_path):
        if not os.path.exists(dir_path): os.mkdir(dir_path)
    def process_item(self, item, spider):
        category = item.get('category')
        urls = item.get('urls')
        category_path = os.path.join(self.image_path, category)
        self.create_dir(category_path)
        for url in urls:
            image_name = url.split('_')[-1]
            request.urlretrieve(url, os.path.join(category_path, image_name))
        return item

Python3 OS模块使用见：

https://blog.csdn.net/pcn01/article/details/99182643

二：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

三：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

3.1 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')

3.2 修改items字段

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

3.3 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，所以必须得重写保存路径的代码

3.4 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 BmwPipeline(object):
    # 由于使用了自定义的类，该方法不会被执行
    def __init__(self):
        self.path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
        if not os.path.exists(self.path):
            os.mkdir(self.path)
    def process_item(self, item, spider):
        category = item['category']
        urls = item['urls']
        category_path = os.path.join(self.path, category)
        if not os.path.exists(category_path):
            os.mkdir(category_path)
        for url in urls:
            image_name = url.split('_')[-1]
            request.urlretrieve(url, os.path.join(category_path, image_name))
        return item
class BmwImagesPipeline(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