当前位置：首页 > article >正文

Scrapy框架内置管道之图片视频和文件(一篇文章齐全)

article 2024/11/17 8:15:27

1、Scrapy框架初识（点击前往查阅）

2、Scrapy框架持久化存储（点击前往查阅）

3、Scrapy框架内置管道

4、Scrapy框架中间件（点击前往查阅）

5、Scrapy框架全站、分布式、增量式爬虫

Scrapy 是一个开源的、基于Python的爬虫框架，它提供了强大而灵活的工具，用于快速、高效地提取信息。Scrapy包含了自动处理请求、处理Cookies、自动跟踪链接、下载中间件等功能

Scrapy框架的架构图（先学会再来看，就能看懂了！）

一、内置管道（图片视频）

1：sttings设置

# 用于在指定目录下创建一个保存图片的文件夹。
IMAGES_STORE = "./imgs"

其他的设置不理解的可以参考： Scrapy框架初识

2：数据分析

详细见图片中注视哦～

代码：

import scrapy
from ..items import CsdnItem


class ImgSpider(scrapy.Spider):
    # 爬虫文件唯一标识
    name = "img"
    # allowed_domains = ["www.xxx.com"]

    # 发起请求的url列表
    start_urls = ["https://image.so.com/zjl?sn=0&ch=wallpaper"]

    def parse(self, response):
        # 获取返回数据：根据分析得到数据是json格式的
        img_data = response.json()

        # 根据数据分析，我们需要数据在list中
        for url in img_data["list"]:
            # 循环获取到图片的标题和url
            img_title = url["title"]
            img_url = url["imgurl"]

            # 实例化item对象
            item = CsdnItem()

            # 往item中封装数据
            item["img_title"] = img_title
            item["img_url"] = img_url

            # 将item提交给管道
            yield item

3：创建item对象

详细见图片中注视哦～

代码：

import scrapy


class CsdnItem(scrapy.Item):
    # define the fields for your item here like:

    # 变量随便命名，scrapy.Field() 是固定写法
    img_title = scrapy.Field()
    img_url = scrapy.Field()

4：提交管道，持久化存储

4.1：模块安装

pip install pillow

4.2：代码分析

配合下方图片：

1、首先导入 ImagesPipeline 模块，然后class类继承。
2、重新构建三个固定函数用于图片的批量下载和保存的操作。
- get_media_requests函数：负责对图片进行请求发送获取图片二进制的数据。
  - itme获取爬虫数据传过来的数据这个，不懂理解看这个：item相关知识
  - yield发起请求这个是固定写法，参数意思可以看图中注释。
- file_path函数：负责指定保存图片的名字。
  - 利用requests来获取上面传过来的数据。
  - return返回的值就是图片的名字和后缀
- item_completed函数：用于将item对象传递给下一个管道。

代码：

import scrapy
from scrapy.pipelines.images import ImagesPipeline  # 导入模块


class CsdnPipeline(ImagesPipeline):  # （ImagesPipeline）括号内加入这个 是面向对象继承，属于面向对象知识。
    # 重新构建三个固定函数用于图片的批量下载和保存的操作。
    def get_media_requests(self, item, info):  # 该函数是负责对图片进行请求发送获取图片二进制的数据
        # 可以通过item参数接收爬虫文件提交过来的item对象
        img_title = item["img_title"]
        img_url = item["img_url"]

        # 对图片地址发起请求，(参数1，参数2) 参数1:url  参数2：请求传参，可以将数据传给 file_path 下面这个函数
        yield scrapy.Request(img_url, meta={"img_title": img_title})

    def file_path(self, request, response=None, info=None, *, item=None):  # 负责指定保存图片的名字
        # 接收 get_media_requests 函数中通过meta发送过来的数据。
        img_title = request.meta["img_title"]

        # 给图片名字带上后缀
        img_title = img_title + ".jpg"

        # 然后返回图片名字
        return img_title

    def item_completed(self, results, item, info):  # 用于将item对象传递给下一个管道
        return item

5：结果展示与总结

为什么会在这个文件夹中呢？因为刚开始的 settings 中，我们创建并指定了这个文件夹！！！

补充：在设置 settings 中，还可以设置图片的缩略图尺寸。

代码流程：
1.在爬虫文件中进行图片/视频的链接提取

2.将提取到的链接封装到items对象中，提交给管道
3.在管道文件中自定义一个父类为ImagesPipeline的管道类，且重写三个方法即可：
def get_media_requests(self, item, info):接收爬虫文件提交过来的item对象，然后对图片地址发起网路请求，返回图片的二进制数据

def file_path(self, request, response=None, info=None, *, item=None)：指定保存图片的名称
def item_completed(self, results, item, info)：返回item对象给下一个管道类

二、内置管道（文件）

1：sttings设置

# 用于在指定目录下创建一个保存文件的文件夹。
FILES_STORE = "./file"

其他的设置不理解的可以参考： Scrapy框架初识

2：数据分析

详细见图片中注视哦，比较简单，不做过多分析了～

代码：

import scrapy
from ..items import CsdnItem  # 将item模块导入


class FileSpider(scrapy.Spider):
    # 爬虫文件唯一标识
    name = "file"
    # allowed_domains = ["www.xxx.com"]
    # 发起请求的url列表
    start_urls = ["https://docs.twisted.org/en/stable/core/examples/"]

    def parse(self, response):
        # 解析到url列表
        url_list = response.xpath('//section[@id="examples"]/section[1]//ul//a/@href').extract()
        for url in url_list:  # 分析得到URL不全。

            # 利用字符串分割拼接成一个完整的。
            url = url.split('../../')[-1]
            download_url = "https://docs.twisted.org/en/stable/" + url

            # 文件名称，就取链接的最后的
            title = url.split('/')[-1]

            # 创建item对象
            item = CsdnItem()

            # 封装值
            item['file_urls'] = download_url
            item['file_title'] = title

            # 将item提交给管道
            yield item

3：创建item对象

详细见图片中注视哦，与前面不同的是有2个字段是必须存在的。

4：提交管道，持久化存储

4.1：模块安装

pip install pillow

4.2：代码分析

配合下方图片：

1、首先导入FilesPipeline 模块，然后class类继承。
2、重新构建三个固定函数用于文件的批量下载和保存的操作。
- get_media_requests函数：负责对文件进行请求，获取图片二进制的数据。
  - itme获取爬虫数据传过来的数据这个，不懂理解看这个：item相关知识
  - yield发起请求这个是固定写法，参数意思可以看图中注释。
- file_path函数：负责指定保存文件的名字。
  - 利用requests来获取上面传过来的数据。
  - return返回的值就是文件的名字
- item_completed函数：用于将item对象传递给下一个管道。

代码：

import scrapy
from scrapy.pipelines.files import FilesPipeline  # 导入模块


class CsdnPipeline(FilesPipeline):  # （ImagesPipeline）括号内加入这个 是面向对象继承，属于面向对象知识。
    # 重新构建三个固定函数用于文件的批量下载和保存的操作。
    def get_media_requests(self, item, info):  # 该函数是负责对文件url进行请求获取文件二进制的数据
        # 可以通过item参数接收爬虫文件提交过来的item对象
        file_title = item["file_title"]
        file_urls = item["file_urls"]

        # 对文件地址发起请求，(参数1，参数2) 参数1:url  参数2：请求传参，可以将数据传给 file_path 下面这个函数
        yield scrapy.Request(file_urls, meta={"file_title": file_title})

    def file_path(self, request, response=None, info=None, *, item=None):  # 负责指定保存文件的名字
        # 接收 get_media_requests 函数中通过meta发送过来的数据。
        file_title = request.meta["file_title"]

        # 然后返回文件名字
        return file_title

    def item_completed(self, results, item, info):  # 用于将item对象传递给下一个管道
        return item

5：结果展示与总结

代码流程：

在spider中爬取要下载的文件链接，将其放置于item中的file_urls字段中存储

spider提交item给FilesPipeline管道

当FilesPipeline处理时，它会检测是否有file_urls字段，如果有的话，则会对其进行文件下载

下载完成之后，会将结果写入item的另一字段files

Item要包含file_urls和files两个字段