python:利用scrapy爬取图片

python:利用scrapy爬取图片，爬取的图片为福利图片，程序都带有详细注释，就不再过多码字

1.创建工程

scrapy startproject beautifulgirl

2.在spiders文件里创建属于属于自己的spider文件

3.设置item

import scrapy
#图片下载管道

class BeautifulgirlItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    image_name=scrapy.Field()
    image_urls=scrapy.Field()
    images=scrapy.Field()
    referer=scrapy.Field()
    pass

先去网页踩点
找到图片所在的类

4.编写Spiders

import scrapy
from beautifulgirl.items import BeautifulgirlItem

class ImgspiderSpider(scrapy.Spider):
    name='girl'                                           #名字唯一,用于爬取
    allowed_domains=['www.mm131.net']                     #设置过滤爬取的域名，插件OffsiteMiddleware启用的情况下（默认是启用的），不在此允许范围内的域名就会被过滤，而不会进行爬取
    start_urls=['https://www.mm131.net/xinggan/',         #爬取的链接，这里将首页一行的标题链接都放进去了
                'https://www.mm131.net/qingchun/',
                'https://www.mm131.net/xiaohua/',
                'https://www.mm131.net/chemo/',
                'https://www.mm131.net/qipao/',
                'https://www.mm131.net/mingxing/'
        ]
    def parse(self,response):                             #编写回调函数
        list=response.css('.main dd:not(.page)')          #获取图片列表,css表达式 :not(p) 表示选择非p元素的每一个元素 ,即获取本页面所有图片
        for image in list:
            image_name=image.css('a::text').extract_first()        #获取图片名字 text提取文本，extract_first选取第一个元素  
            image_url=image.css('a::attr(href)').extract_first()
            image_url2=str(image_url)                              #网址字符串化
            print(image_url2)
            next_page=response.css('.page-en:nth-last-child(2)::attr(href)').extract_first()   #下一页   :nth-last-child(2)选择其父元素的最后一元素开始计数
            if next_page is not None:
                yield response.follow(next_page,callback=self.parse)                           #返回Request实例
            yield scrapy.Request(image_url2,callback=self.downloadImage)                       #返回请求地址imgur12    callback指定请求返回的response 由那个函数来处理
    def downloadImage(self,response):                                                          #获取网页点进去后的网页图像  上一行返回的请求地址，其响应就是这个函数
        item=BeautifulgirlItem()
        item['image_name']=response.css('.content h5::text').extract_first()                   #获取名字
        item['image_urls']=response.css('.content-pic img::attr(src)').extract()               #获取地址    extract 序列化该节点位unicode字符串并返回list
        print('---------------image_urls---------',item['image_urls'])

        item['referer']=response.url                                                           #将请求的链接，放在URL携带的referer中  用于验证请求的合法性                                             
        yield item
        next_url =response.css('.page-ch:last-child::attr(href)').extract_first()              #获取下一页
        if next_url is not None:
            yield response.follow(next_url,callback=self.downloadImage,dont_filter=True)       #若没到最后一页，则返回下一页请求

5.编写pipeline处理下载的图片分组

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.http import Request
import re


class My_Pipeline(ImagesPipeline):                                  #继承ImagesPipeline 类,重写pipeline 
    def get_media_requests(self,item,info):                         #获取图片请求 item,这个就是通过spiders传递过来的item ,info，是一个保存了图片的名字和下载链接的列表
        for image_url in item['image_urls']:
            print('-------------image_url---------%s',image_url)
            yield Request(image_url,meta={'name':item['image_name']},headers={'referer':item['referer']}) #返回获取的链接，图片名字和referer
    def file_path(self,request,response=None,info=None):            #重命名图片名字,定义下载分类
        img_name=request.url.split('/')[-1]                         #图片分片，将获取的图片遇/进行分割
        name=request.meta['name']                                   #接受meta传递过来的名字
        name=re.sub(r'[?\\*|"<>:/()0123456789]','',name)            #过滤windows字符串   不然会乱码
        filename=u'pic/{0}/{1}'.format(name,img_name)               #创建文件夹,便于观看
        return filename
    def item_completed(self,results,item,info):                     #所有图片处理完毕后（不管下载成功或失败），会调用item_completed进行处理   
        image_paths=[x['path']for ok,x in results if ok]            #简写    for ok,x in results:
        if not image_paths:                                         #            if ok:
            raise DropItem('Item contains no images')               #               prink(x['path'])
        item['image_urls']=image_paths                              #将保存路径保存于 item 中
        return item                                                 #item_completed参数中包含 item ，有我们抓取的所有信息，参数 results 为下载图片的结果数组，包含下载后的路径以及是否成功下载
                                               
        

6.最后设置setting文件

BOT_NAME = 'beautifulgirl'

SPIDER_MODULES = ['beautifulgirl.spiders']
NEWSPIDER_MODULE = 'beautifulgirl.spiders'

IMAGES_STORE = 'D:\office'  #保存路径
IMAGES_EXPIRES = 90         #90天内抓取的都不会被重抓
ITEM_PIPELINES = {
    'beautifulgirl.pipelines.My_Pipeline': 300,
}

爬取后可以看到文件已被下载

图片名字过于敏感，打了马赛克，图片还行