目录

前言

Media Pipeline

启用Media Pipeline

使用 ImgPipeline

抓取妹子图

瞎比比与送书后话

前言

我们在抓取数据的过程中，除了要抓取文本数据之外，当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗？答案是，当然的。说来惭愧，我也是上个月才知道，在 zone7 粉丝群中，有群友问 scrapy 怎么爬取图片数据？后来搜索了一下才知道。现在总结一下分享出来。

Media Pipeline

我们的 itempipeline 处理可以处理文字信息以外，还可以保存文件和图片数据，分别是 FilesPipeline 和 ImagesPipeline

Files Pipeline

避免重新下载最近已经下载过的数据

指定存储路径

FilesPipeline的典型工作流程如下：

在一个爬虫里，你抓取一个项目，把其中图片的URL放入 file_urls 组内。

项目从爬虫内返回，进入项目管道。

当项目进入 FilesPipeline，file_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，直到完成文件的下载（或者由于某些原因未完成下载）。

当文件下载完后，另一个字段(files)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址（从 file_urls 组获得）和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_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 files 组中。

Images Pipeline

避免重新下载最近已经下载过的数据

指定存储路径

将所有下载的图片转换成通用的格式（JPG）和模式（RGB）

缩略图生成

检测图像的宽/高，确保它们满足最小限制

启用Media Pipeline

# 同时启用图片和文件管道ITEM_PIPELINES = { # 使用时，请修改成你自己的 ImgPipeline

    girlScrapy.pipelines.ImgPipeline: 1,

}

FILES_STORE = os.getcwd() + /girlScrapy/file  # 文件存储路径IMAGES_STORE = os.getcwd() + /girlScrapy/img  # 图片存储路径# 避免下载最近90天已经下载过的文件内容

FILES_EXPIRES = 90

# 避免下载最近90天已经下载过的图像内容

IMAGES_EXPIRES = 30

# 设置图片缩略图

IMAGES_THUMBS = {

    small: (50, 50),

    big: (250, 250),

}

# 图片过滤器，最小高度和宽度，低于此尺寸不下载

IMAGES_MIN_HEIGHT = 128

IMAGES_MIN_WIDTH = 128

需要说明的是，你下载的图片名最终会以图片 URL 的 hash 值命名，例如：

0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

最终的保存地址为：

your/img/path/full/0

bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

使用 ImgPipeline

这是我 demo 中的一个 ImgPipeline，里面重写了两个方法。

from scrapy.pipelines.images import

 ImagesPipeline

class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类    def get_media_requests(self, item, info):        for image_url in item[image_urls

]:

            image_url = image_url

            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"

)

        return

 item

分别是：

get_media_requests(self

, item, info):

item_completed(self

, results, item, info):

get_media_requests(self, item, info):

在这里，我们可以获取到 parse 中解析的 item 值，因此我们可以获取到相应的图片地址。在这里返回一个 scrapy.Request(image_url) 去下载图片。

item_completed(self, results, item, info):

item 和 info 打印出来都是 url 地址列表。其中 results 打印出来是如下值。

# 成功[(True, {path: full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

,

 checksum: 98eb559631127d7611b499dfed0b6406

, 

url: http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg

})]

# 错误[(False

,

  Failure(...))]

抓取妹子图

ok，理论部分也讲完了，那我们来实践一下吧

spider

spider 部分很简单，如下：

class GirlSpider(scrapy.spiders.Spider):    name = girl    start_urls = ["http://www.meizitu.com/a/3741.html"

]

    def parse(self, response):        soup = BeautifulSoup(response.body, html5lib

)

        pic_list = soup.find(div, id="picture").find_all(img)  # 找到界面所有图片

        link_list = []

        item = ImgItem()

        for i in

 pic_list:

            pic_link = i.get(src)  # 拿到图片的具体 url            link_list.append(pic_link)  # 提取图片链接        item[image_urls

] = link_list

        print(item)

        yield

 item

itemclass ImgItem(scrapy.Item):    image_urls = scrapy.Field()#图片的链接

    images = scrapy.Field()

ImgPipelineclass ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类    def get_media_requests(self, item, info):        for image_url in item[image_urls

]:

            image_url = image_url

            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"

)

        return

 item

启动scrapy

 crawl girl

最终爬取结果如下：

瞎比比与送书后话

今天的更新就到此结束啦，是不是 get 到了新技能？至于如何批量下载妹子图？这个，我相信妹子的颜值会驱使你完善这些代码，手动滑稽！！！