[Python]使用Scrapy爬虫框架简单爬取图片并保存本地

初学Scrapy，实现爬取网络图片并保存本地功能

一、先看最终效果

保存在F:\pics文件夹下

二、安装scrapy

1、python的安装就不说了，我用的python2.7，执行命令pip install scrapy，或者使用easy_install 命令都可以

2、可能会报如下错误

***********************************************************
    Could not find function xmlCheckVersion in library libxml2. Is libxml2 installed?
    ***********************************************************

解决方法：安装libxml2
下载对应的python的版本，安装即可，网址：
https://pypi.python.org/pypi/lxml/3.4.4

三、创建项目

1、执行命令

scrapy startproject xiaohuar

会自动创建xiaohuar的scrapy项目

2、项目结构（我用的是WingIDE）

文件说明：
• scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py 设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines 数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders 爬虫目录，如：创建文件，编写爬虫规则

四、编写爬虫程序

1、在spiders文件夹下创建.py文件

代码中注释已经很详细了，就不解释了，关于解析html内容，使用的是xpath，之前使用java的webmagic 爬虫框架也是使用的此种方式，所示还是比较熟悉，一些插叙语法参考步骤2

# -*- coding:utf-8 -*-
import scrapy
import re
import os
import urllib
from scrapy.selector import Selector
from scrapy.http import HtmlResponse,Request

class Xiaohuar_spider(scrapy.spiders.Spider):

    name="xiaohuar"#定义爬虫名

    allowed_domains=["xiaohuar.com"]    #搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页

    start_urls=["http://www.xiaohuar.com/list-1-1.html"]

    #该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse
    def parse(self, response):
        current_url=response.url    #爬取时请求的url
        body=response.body  #返回的html
        unicode_body=response.body_as_unicode() #返回的html unicode      

        hxs=Selector(response) #创建查询对象，HtmlXPathSelector已过时

        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):#如果url能够匹配到需要爬取的url，就爬取
            items=hxs.xpath('//div[@class="item_list infinite_scroll"]/div')#匹配到大的div下的所有小div（每个小div中包含一个图片）

            for i in range(len(items)):#遍历div个数
                src=hxs.xpath('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src'%i).extract() #查询所有img标签的src属性，即获取校花图片地址
                name=hxs.xpath('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'%i).extract() #获取span的文本内容，即校花姓名
                school=hxs.xpath('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'%i).extract()#校花学校

                if src:
                    absoluteSrc="http://www.xiaohuar.com"+src[0] #拼接实际路径,因为.extract()会返回一个list，但是我们是依次取得div，所以是取第0个
                    file_name="%s_%s.jpg"%(school[0],name[0])#拼接文件名，学校_姓名
                    file_path=os.path.join("F:\\pics",file_name)#拼接这个图片的路径，我是放在F盘的pics文件夹下
                    urllib.urlretrieve(absoluteSrc,file_path)#接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径

            all_urls = hxs.xpath('//a/@href').extract()#提取界面所有的url
            for url in all_urls:#遍历获得的url，如果满足条件，继续爬取
                if url.startswith('http://www.xiaohuar.com/list-1-'):
                    yield Request(url, callback=self.parse)           

2、xpath查询语法

查询标签中带有某个class属性的标签：//div[@class=’c1’]即子子孙孙中标签是div且class=‘c1’的标签
• 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1’][@name=’alex’]
• 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
• 查询某个属性的值（例如查询a标签的href属性）：//a/@href

3、运行

进入到xiaohuar目录，执行
scrapy crawl xiaohuar
可能会报以下错误，原因是少win32api的模块

解决方法：
选择对应的版本下载安装即可地址：
http://sourceforge.net/projects/pywin32/files/

4、关于scrapy shell终端

可以使用scrapy shell进行调试，例如执行
scrapy shell http://www.xiaohuar.com/list-1-1.html
就可以查看得到的数据

5、最后的说明

程序执行过程中可以设置爬取的深度，我这里没有设置，可能关掉cmd程序还在执行，可以结束python的进程，或者设置爬取深度
程序放到了github上，地址：

https://github.com/lawlite19/CrawlPicture_Scrapy

五、总结

最近学习在python，实现非常简单的一个爬虫当做练习，中间一些模块的缺少错误，在网上查询还是费了很多的时间，有的回答是没有解决的，总之自己实践之后才会更加深刻。