豆瓣读书主页如下：
image.png
选取其中的编程类进行数据获取，原理都类似，一步一步获取，然后回调处理
image.png
我怕们准备对其中的主要图书样本进行简单获取，选取书名、作者、评分和图片进行获取
items.py
book_name = scrapy.Field()
author = scrapy.Field()
star = scrapy.Field()
image_urls = scrapy.Field()
images = scrapy.Field()
image_paths = scrapy.Field()
douban_spider.py
因为起始url是https://book.douban.com/tag/编程就是当前页，所以无需再进行url获取进行回调之类的，这里对于ur的处理就只有翻页上面url的变化，用xpath对下一页的url进行获取，形成一个列表，如果存在下一页，即转发给它对应的url，回调给处理函数进行数据处理，这里因为url结构简单明了，所以类似这样的连接也可以手动进行url拼接
class DoubanSpiderSpider(scrapy.Spider):
name = 'douban_spider'
allowed_domains = ['book.douban.com']
start_urls = ['https://book.douban.com/tag/编程']
#def start_requests(self):
# return scrapy.Request(self.start_urls[0],callback=self.parse)
def parse(self, response):
book_list = response.xpath("//div[@class='article']/div[@id='subject_list']/ul/li")
for i_item in book_list:
douban_item = DoubanItem()
book_name = i_item.xpath("normalize-space(.//div[@class='info']/h2/a/text())").extract_first()
douban_item['book_name'] = "".join(book_name)
author = i_item.xpath(".//div[@class='pub']/text()").extract_first()
# douban_item['author'] = i_item.xpath(".//div[@class='pub']/text()").extract_first()
douban_item['author'] = "".join(author).replace('\n','').split('/')[1]
douban_item['star'] = i_item.xpath(".//span[@class='rating_nums']/text()").extract_first()
douban_item['image_urls'] = i_item.xpath(".//div[@class='pic']/a/img/@src").extract()
yield douban_item
next_link = response.xpath("//span[@class='next']/link/@href").extract()
print(next_link)
if next_link:
next_link = next_link[0]
yield scrapy.Request("https://book.douban.com"+next_link, callback=self.parse)
图片获取
因为对于图片获取又区别于其他数据，scrapy文档对于图片处理进行了详细定义，照搬更改相应板块即可
以下为官方解释说明:
Scrapy提供了一个 item pipeline ，来下载属于某个特定项目的图片，比如，当你抓取产品时，也想把它们的图片下载到本地。
这条管道，被称作图片管道，在ImagesPipeline类中实现，提供了一个方便并具有额外特性的方法，来下载并本地存储图片:
- 将所有下载的图片转换成通用的格式（JPG）和模式（RGB）
- 避免重新下载最近已经下载过的图片
- 缩略图生成
- 检测图像的宽/高，确保它们满足最小限制
这个管道也会为那些当前安排好要下载的图片保留一个内部队列，并将那些到达的包含相同图片的项目连接到那个队列中。 这可以避免多次下载几个项目共享的同一个图片。
Pillow 是用来生成缩略图，并将图片归一化为JPEG/RGB格式，因此为了使用图片管道，你需要安装这个库。 Python Imaging Library (PIL) 在大多数情况下是有效的，但众所周知，在一些设置里会出现问题，因此我们推荐使用 Pillow 而不是PIL.
使用图片管道
当使用
ImagesPipeline，典型的工作流程如下所示:
- 在一个爬虫里，你抓取一个项目，把其中图片的URL放入
image_urls组内。 - 项目从爬虫内返回，进入项目管道。
- 当项目进入
ImagesPipeline，image_urls组内的URLs将被Scrapy的调度器和下载器（这意味着调度器和下载器的中间件可以复用）安排下载，当优先级更高，会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成图片的下载（或者由于某些原因未完成下载）。 - 当图片下载完，另一个组(
images)将被更新到结构中。这个组将包含一个字典列表，其中包括下载图片的信息，比如下载路径、源抓取地址（从image_urls组获得）和图片的校验码。images列表中的图片顺序将和源image_urls组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在images组中。
示例
import scrapy
from scrapy.contrib.pipeline.images import ImagesPipeline
from scrapy.exceptions import DropItem
class MyImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
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")
item['image_paths'] = image_paths
return item
这里将数据库对数据的存取和对图片的下载在一块处理，在设置中要注意优先级，得先获取图片。
pipelines.py
class MyImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
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")
item['image_paths'] = image_paths
# try:
# conn = pymysql.connect(host="localhost", user="root", password="299521", port=3306, db='douban')
# cur = conn.cursor()
# sql = "insert into book_home(image_path) values (%s)"
# i = item['image_paths']
# values = (i)
# cur.execute(sql, values)
# print(sql)
# except Exception:
# print("Erro")
# finally:
# conn.commit()
# return item
conn = pymysql.connect(host="localhost", user="root", password="299521", port=3306, db='douban')
cur = conn.cursor()
sql = "insert into book_home(book_name, author, star, image_path) values (%s, %s, %s, %s)"
book_name = item['book_name']
author = item['author']
star = item['star']
image_path = item['image_paths']
values = (book_name, author, star, image_path)
cur.execute(sql, values)
# except Exception:
# print("Error")
# finally:
conn.commit()
return item
# class DoubanPipeline(object):
# def process_item(self, item, spider):
# conn = pymysql.connect(host="localhost", user="root", password="299521", port=3306, db='douban2')
# cur = conn.cursor()
# sql = "insert into book(book_name, author, star) values (%s, %s, %s)"
# author = item['author']
# book_name =item['book_name']
# star = item['star']
# # author = item['author'].extract()
# # talk = item['talk'].extract()
# # score = item['score'].extract()
# # values = (bname, score, author, talk )
# values = (book_name, author, star)
# cur.execute(sql, values)
# conn.commit()
# return item
这里对于编程类图书的主页面进行了简单获取，下一篇会对详情页进行补充说明
- 其他爬虫代码可参考github