“FilesPipeline和ImagesPipeline
Scrapy框架内部提供了两个Item Pipeline,专门用于下载文件和图片:
● FilesPipeline
● ImagesPipeline
我们可以将这两个Item Pipeline看作特殊的下载器,用户使用时只需要通过item的一个特殊字段将要下载文件或图片的url传递给它们,它们会自动将文件”“或图片下载到本地,并将下载结果信息存入item的另一个特殊字段,以便用户在导出文件中查阅。下面详细介绍如何使用它们。
”
“FilesPipeline使用说明
通过一个简单的例子讲解FilesPipeline的使用,在如下页面中可以下载多本PDF格式的小说:
”
“
...
下载《三国演义》
下载《水浒传》
下载《红楼梦》
下载《西游记》
...
”
“使用FilesPipeline下载页面中所有PDF文件,可按以下步骤进行:
步骤 01 在配置文件settings.py中启用FilesPipeline,通常将其置于其他Item Pipeline之前:
ITEM_PIPELINES = {'scrapy.pipelines.files.FilesPipeline': 1}
步骤 02 在配置文件settings.py中,使用FILES_STORE指定文件下载目录,如:
FILES_STORE = '/home/liushuo/Download/scrapy'
步骤 03 在Spider解析一个包含文件下载链接的页面时,将所有需要下载文件的url地址收集到一个列表,赋给item的file_urls字段(item['file_urls'])。FilesPipeline在处理每一项item时,会读取item['file_urls'],对其中每一个url进行下载,Spider示”
class DownloadBookSpider(scrapy.Spider):
...
def parse(response):
item = {}
# 下载列表
item['file_urls'] = []
for url in response.xpath('//a/@href').extract():
download_url = response.urljoin(url)
# 将url 填入下载列表
item['file_urls'].append(download_url)
yield item
“当FilesPipeline下载完item['file_urls']中的所有文件后,会将各文件的下载结果信息收集到另一个列表,赋给item的files字段(item['files'])。下载结果信息包括以下内容:
● Path文件下载到本地的路径(相对于FILES_STORE的相对路径)。
● Checksum文件的校验和。
● url文件的url地址。
”
ImagesPipeline使用说明
图片也是文件,所以下载图片本质上也是下载文件,ImagesPipeline是FilesPipeline的子类,使用上和FilesPipeline大同小异,只是在所使用的item字段和配置选项上略有差别,”
“ImagesPipeline在FilesPipleline的基础上针对图片增加了一些特有的功能:
● 为图片生成缩略图
开启该功能,只需在配置文件settings.py中设置IMAGES_THUMBS,它是一个字典,每一项的值是缩略图的尺寸,代码如下:
”
IMAGES_THUMBS = {
'small': (50, 50),
'big': (270, 270),
}”
“开启该功能后,下载一张图片时,本地会出现3张图片(1张原图片,2张缩略图),路径如下:
”
“[IMAGES_STORE]/full/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg”
“[IMAGES_STORE]/thumbs/small/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg
[IMAGES_STORE]/thumbs/big/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg”
“● 过滤掉尺寸过小的图片
开启该功能,需在配置文件settings.py中设置IMAGES_MIN_WIDTH和IMAGES_MIN_HEIGHT,它们分别指定图片最小的宽和高,代码如下:
”
IMAGES_MIN_WIDTH = 110
IMAGES_MIN_HEIGHT = 110
“开启该功能后,如果下载了一张105×200的图片,该图片就会被抛弃掉,因为它的宽度不符合标准。”
摘录来自: 刘硕. “精通Scrapy网络爬虫。” iBooks.