scrapy图片数据爬取

需求:爬取站长素材中的高清图片


一.数据解析（图片的地址)


通过xpath解析出图片src的属性值。
只需要将img的src的属性值进行解析,提交到管道, 管道就会对图片的src进行请求发送获取图片

spider文件

class ImgSpider(scrapy.Spider):
    name = 'img'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://sc.chinaz.com/tupian/']

    def parse(self, response):
        src_list = response.xpath('//div[@id="container"]/div')
        # print(src_list)
        for src_item in src_list:
            # 图片懒加载（当浏览器滑动到图片时src2属性变为src属性）
            # scrapy不会滑动到图片，所以使用src2属性（伪属性）
            src_content = src_item.xpath('./div/a/img/@src2').extract_first()
            print(src_content)
            item = ImgsproItem()
            item['src'] = src_content

            yield item


二.在管道文件中自定义一个基于ImagesPipeline的一个管道类

实现父类的3个方法
-get_media_requests
-file_path
-item_completed

pipeline文件：

import scrapy
from scrapy.pipelines.images import ImagesPipeline

class ImgsproPipeline(object):
    item = None
    def process_item(self, item, spider):
        return item


# ImagesPipeline用于文件下载管道类，下载过程支持异步和多线程
class ImgPipeLine(ImagesPipeline):
    # 对item中的图片进行请求操作
    def get_media_requests(self, item, info):

        yield scrapy.Request(item['src'])
    # 定制图片的名称
    def file_path(self, request, response=None, info=None):
        imgName = request.url.split('/')[-1]
        return imgName
    #
    def item_completed(self, results, item, info):
        return item  # 传递到下一个即将被执行的管道类

三.在配置文件中指定图片存储
的目录

IMAGES_STORE ='./img'

配置文件：

#USER_AGENT = 'firstBlood (+http://www.yourdomain.com)'
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'  # 伪装请求载体身份
# Obey robots.txt rules
# ROBOTSTXT_OBEY = True
ROBOTSTXT_OBEY = False  #可以忽略或者不遵守robots协议
#只显示指定类型的日志信息
LOG_LEVEL='ERROR'

# 表示最终图片存储的目录
IMAGES_STORE ='./imgs'
# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32


# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'imgsPro.pipelines.ImgsproPipeline': 300,
   'imgsPro.pipelines.ImgPipeLine': 200,
}