Crawl Spider 汽车之家中宝马5系全部图片
Crawl Spider 汽车之家中宝马5系全部图片
yls 2020/5/28
需要使用LinkExtractorRule来决定爬虫的具体走向
scrapy 爬取文件或者图片简介
*. 为什么选择使用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. 可以方便的指定问及那存储的路径
3. 可以将下载的图片转换为通用的格式，比如png或jpg
4. 可以方便的生成缩略图
5. 可以方便的检测图片的宽高，确保他们的满足最小限制
6. 一部下载，效率高
*. 下载文件的 Files Pipline：
使用 Files Pipeline 下载文件时，按以下步骤完成
1. 定义好一个 Item,在这个Item中定义两个属性，分别为 file_urls和files。file_urls用来存储需要下载的文件的链接，需要给一个链表
2. 文件下载完成后，会把下载的相关信息存储到item的files属性中。比如下载路径，下载的url和文件的校验码等
3. 在settings.py中配置FILES_STORE,这个配置用来设置文件下载后在本地存储的路径
4. 启动pipeline:在ITEM_PIPELINES中设置scrapy.pipeline.files.FilesPipeline:1。若根据自身业务可以重写 FilesPipeline
重写时也要在ITEM_PIPELINES中设置激活
*. 下载文件的 Images Pipline：
使用 Images Pipeline 下载文件时，按以下步骤完成
1. 定义好一个 Item,在这个Item中定义两个属性，分别为 image_urls和images。
image_urls用来存储需要下载的图片的链接，需要给一个链表
2. 文件下载完成后，会把下载的相关信息存储到item的images属性中。
比如下载路径，下载的url和图片的校验码等
3. 在settings.py中配置IMAGEAS_STORE,这个配置用来设置图片下载后在本地存储的路径
4. 启动pipeline:在ITEM_PIPELINES中设置scrapy.pipeline.images.ImagesPipeline:1。若根据自身业务可以重写 FilesPipeline
重写时也要在ITEM_PIPELINES中设置激活
1. 创建项目
scrapy startproject bmw
2. 创建爬虫
cd bmw
scrapy genspider bmw5 -t crawl "car.autohome.com.cn"
3. 编辑需要爬取的数据字段 items.py
import scrapy
class BmwItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field() # 图片的类型
# imagesPipeline 底层会自动从 image_urls 字段获取图片请求链接
image_urls = scrapy.Field()
images = scrapy.Field()
4. 根据图片分类业务，重写 ImagesPipeline 类
import os
from scrapy.pipelines.images import ImagesPipeline
from scrapylearn.bmw.bmw import settings
"""
由于默认的imagepipeline会将所有图片放到一个文件夹，源码如下：
def file_path(self, request, response=None, info=None):
image_guid = hashlib.sha1(to_bytes(request.url)).hexdigest()
return 'full/%s.jpg' % (image_guid)
我们需要类型不同的文件对应不同的文件夹
所以需要重写imagepipeline
"""
class BmwImagePipeline(ImagesPipeline):
"""
该方法在发送下载请求之前调用
其实这个方法本身就是去下载请求
该方法有参数 item ，通过重写该方法，可以将item中的字段数据添加到 request中进行传递
"""
def get_media_requests(self, item, info):
request_objs = super().get_media_requests(item, info)
# 重写时，在父类方法返回的Requeset列表中的每一个Request中加入item,以便传递数据信息
for request_obj in request_objs:
request_obj.item = item
return request_objs
# return [Request(x) for x in item.get(self.images_urls_field, [])]
"""
该方法在图片将要被存储的时候调用，来获取这个图片存储的路径
"""
def file_path(self, request, response=None, info=None):
path = super().file_path(request, response, info)
# 重写 get_media_requests 方法对request添加了 item,所以这里可以从request中体取title数据
title = request.item["title"]
# 获取图片存储的总文件夹
image_store = settings.IMAGES_STORE
# 根据title获取当前分类图片存储的子文件夹
title_path = os.path.join(image_store, title)
# 不存在则创建
if not os.path.exists(title_path):
os.mkdir(title_path)
# 将父类ImagesPipeline默认的全部文件的存储文件夹full删掉
image_path = os.path.join(title_path, path.replace("full/", ""))
print(image_path)
return image_path
# image_guid = hashlib.sha1(to_bytes(request.url)).hexdigest()
# return 'full/%s.jpg' % (image_guid)
5. 在settings.py中激活管道,添加图片存储路径
ITEM_PIPELINES = {
# 'bmw.pipelines.BmwPipeline': 300,
'bmw.pipelines.BmwImagePipeline': 300,
}
# 图片下载的路径，供images pipeline 使用
IMAGES_STORE = os.path.join(os.path.dirname(os.path.dirname(__file__)), "images")
6. 编写爬虫 bmw5.py
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapylearn.bmw.bmw.items import BmwItem
class Bmw5Spider(CrawlSpider):
name = 'bmw5'
allowed_domains = ['car.autohome.com.cn']
start_urls = ['https://car.autohome.com.cn/pic/series/65.html']
rules = (
# 若规则中的allow 模式能匹配到 start_urls中的url，那么start_urls中的url也会满足该规则，就也会回调 callback='parse_page'
Rule(LinkExtractor(allow=r'https://car.autohome.com.cn/pic/series/65-.+',
deny=r'https://car.autohome.com.cn/pic/series-t.+'), callback='parse_page', follow=True),
)
def parse_page(self, response):
# print(response.url)
title = response.xpath("//div[@class='uibox']/div[1]/text()").get().strip()
urls = response.xpath("//div[@class='uibox']/div[2]/ul/li//img/@src").getall()
new_urls = []
# 过滤掉不正确的 url
for url in urls:
if url.find("/cardfs/product/") > 0:
"""
x.replace("240x180_0_q95_c42_", "") 获取缩略图对应的高清图url
response.urljoin() 补全url
"""
url = response.urljoin(url.replace("240x180_0_q95_c42_", ""))
new_urls.append(url)
yield BmwItem(title=title, image_urls=new_urls)
7. 在项目根目录下，运行爬虫
#scrapy crawl [爬虫名]
scrapy crawl bmw5
