python爬虫Scrapy框架:媒体管道原理学习分析

编辑: admin 分类: python 发布时间: 2021-12-03 来源:互联网
目录
  • 一、媒体管道
    • 1.1、媒体管道的特性
      • 媒体管道实现了以下特性:
      • 图像管道具有一些额外的图像处理功能:
    • 1.2、媒体管道的设置
    • 二、ImagesPipeline类简介
      • 三、小案例:使用图片管道爬取百度图片
        • 3.1、spider文件
          • 3.2、items文件
            • 3.3、settings文件
              • 3.4、pipelines文件

              一、媒体管道

              1.1、媒体管道的特性

              媒体管道实现了以下特性:

              • 避免重新下载最近下载的媒体
              • 指定存储位置(文件系统目录,Amazon S3 bucket,谷歌云存储bucket)

              图像管道具有一些额外的图像处理功能:

              • 将所有下载的图片转换为通用格式(JPG)和模式(RGB)
              • 生成缩略图
              • 检查图像的宽度/高度,进行最小尺寸过滤

              1.2、媒体管道的设置

              ITEM_PIPELINES = {'scrapy.pipelines.images.ImagesPipeline': 120}      启用
              FILES_STORE = '/path/to/valid/dir'		   文件管道存放位置
              IMAGES_STORE = '/path/to/valid/dir'		  图片管道存放位置
              FILES_URLS_FIELD = 'field_name_for_your_files_urls'    自定义文件url字段
              FILES_RESULT_FIELD = 'field_name_for_your_processed_files'   自定义结果字段
              IMAGES_URLS_FIELD = 'field_name_for_your_images_urls'         自定义图片url字段
              IMAGES_RESULT_FIELD = 'field_name_for_your_processed_images'      结果字段
              FILES_EXPIRES = 90   文件过期时间   默认90天
              IMAGES_EXPIRES = 90    图片过期时间   默认90天
              IMAGES_THUMBS = {'small': (50, 50), 'big':(270, 270)}     缩略图尺寸
              IMAGES_MIN_HEIGHT = 110     过滤最小高度
              IMAGES_MIN_WIDTH = 110      过滤最小宽度
              MEDIA_ALLOW_REDIRECTS = True    是否重定向
              

              二、ImagesPipeline类简介

              #解析settings里的配置字段
              def __init__(self, store_uri, download_func=None, settings=None)
              #图片下载
              def image_downloaded(self, response, request, info)
              #图片获取   图片大小的过滤  #缩略图的生成
              def get_images(self, response, request, info)
              #转化图片格式
              def convert_image(self, image, size=None)
              #生成媒体请求  可重写
              def get_media_requests(self, item, info)
              	return [Request(x) for x in item.get(self.images_urls_field, [])] #得到图片url  变成请求  发给引擎
              #此方法获取文件名  进行改写
              def item_completed(self, results, item, info)
              #文件路径 
              def file_path(self, request, response=None, info=None)
              #缩略图的存储路径
              def thumb_path(self, request, thumb_id, response=None, info=None):
              

              三、小案例:使用图片管道爬取百度图片

              (当然不使用图片管道的话也是可以爬取百度图片的,但这还需要我们去分析网页的代码,还是有点麻烦,使用图片管道就可以省去这个步骤了)

              3.1、spider文件

              注意:由于需要添加所有的请求头,所以我们要重写start_requests函数

              import re
              import scrapy
              from ..items import DbimgItem
              class DbSpider(scrapy.Spider):
                  name = 'db'
                  # allowed_domains = ['xxx.com']
                  start_urls = ['https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=index&fr=&hs=0&xthttps=111110&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&word=%E7%8B%97&oq=%E7%8B%97&rsp=-1']
                  def start_requests(self):  #因为需要添加所有的请求头,所以我们要重写start_requests函数
                      # url = 'https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=index&fr=&hs=0&xthttps=111110&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&word=%E7%8B%97&oq=%E7%8B%97&rsp=-1'
                      headers = {
                          "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
                          "Accept-Encoding": "gzip, deflate, br",
                          "Accept-Language": "zh-CN,zh;q=0.9",
                          "Cache-Control": "max-age=0",
                          "Connection": "keep-alive",
                          "Cookie": "BIDUPSID=4B61D634D704A324E3C7E274BF11F280; PSTM=1624157516; BAIDUID=4B61D634D704A324C7EA5BA47BA5886E:FG=1; __yjs_duid=1_f7116f04cddf75093b9236654a2d70931624173362209; BAIDUID_BFESS=101022AEE931E08A9B9A3BA623709CFE:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; cleanHistoryStatus=0; H_PS_PSSID=34099_33969_34222_31660_34226_33848_34113_34073_33607_34107_34134_34118_26350_22159; delPer=0; PSINO=6; BA_HECTOR=24ak842ka421210koq1gdtj070r; BDRCVFR[X_XKQks0S63]=mk3SLVN4HKm; userFrom=www.baidu.com; firstShowTip=1; indexPageSugList=%5B%22%E7%8B%97%22%2C%22%E7%8C%AB%E5%92%AA%22%2C%22%E5%B0%8F%E9%80%8F%E6%98%8E%22%5D; ab_sr=1.0.1_OGYwMTZiMjg5ZTNiYmUxODIxOTgyYTllZGMyMzhjODE2ZWE5OGY4YmEyZWVjOGZhOWIxM2NlM2FhZTQxMmFjODY0OWZiNzQxMjVlMWIyODVlZWFiZjY2NTQyMTZhY2NjNTM5NDNmYTFmZjgxMTlkOGYxYTUzYTIzMzA0NDE3MGNmZDhkYTBkZmJiMmJhZmFkZDNmZTM1ZmI2MWZkNzYyYQ==",
                          "Host": "image.baidu.com",
                          "Referer": "https://image.baidu.com/",
                          "sec-ch-ua": '" Not;A Brand";v="99", "Google Chrome";v="91", "Chromium";v="91"',
                          "sec-ch-ua-mobile": "?0",
                          "Sec-Fetch-Dest": "document",
                          "Sec-Fetch-Mode": "navigate",
                          "Sec-Fetch-Site": "same-origin",
                          "Sec-Fetch-User": "?1",
                          "Upgrade-Insecure-Requests": "1",
                          "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36"
                      }
                      for url in self.start_urls:
                          yield scrapy.Request(url,headers=headers,callback=self.parse,dont_filter=True)
                  def parse(self, response):
                      img_urls = re.findall('"thumbURL":"(.*?)"', response.text)
                      # print(img_urls)
                      item = DbimgItem()
                      item['image_urls'] = img_urls
                      yield item
              

              3.2、items文件

              import scrapy
              class DbimgItem(scrapy.Item):
                  # define the fields for your item here like:
                  # name = scrapy.Field()
                  image_urls = scrapy.Field()
              
              

              3.3、settings文件

              ROBOTSTXT_OBEY = False
              #打开我们写的管道
              ITEM_PIPELINES = {
                 # 'dbimg.pipelines.DbimgPipeline': 300,
                  'dbimg.pipelines.ImgPipe': 300,
              }
              #图片存放位置
              IMAGES_STORE = 'D:/python test/爬虫/scrapy6/dbimg/imgs'
              

              3.4、pipelines文件

              import os
              from itemadapter import ItemAdapter
              from scrapy.pipelines.images import ImagesPipeline
              import settings
              """
              def item_completed(self, results, item, info):
                  with suppress(KeyError):
                      ItemAdapter(item)[self.images_result_field] = [x for ok, x in results if ok]
                  return item
              """
              class ImgPipe(ImagesPipeline):
                  num=0
                  #重写此函数修改获取的图片的名字  不然图片名称就是一串数字字母
                  def item_completed(self, results, item, info):
                      images_path = [x['path'] for ok, x in results if ok]
                      #print('results: ',results)   先查看下results的数据格式,然后才能获取到我们需要的值
                      for image_path in images_path:
                          os.rename(settings.IMAGES_STORE + "/" + image_path, settings.IMAGES_STORE + "/" + str(self.num) + ".jpg")
                          self.num += 1
              

              结果:

              以上就是python爬虫Scrapy框架:媒体管道原理学习分析的详细内容,更多关于python爬虫Scrapy框架的资料请关注hwidc其它相关文章!

              【文章出处:http://www.nextecloud.cn/sin.html欢迎留下您的宝贵建议】