Python爬虫——利用Scrapy批量下载图片(1)

$ cd win4000/win4000/spiders

pictures 为爬虫名

$ scrapy genspider pictures “win4000.com”

项目组件介绍

引擎(Scrapy)：核心组件，处理系统的数据流处理，触发事务。调度器(Scheduler)：用来接受引擎发出的请求, 压入队列中, 并在引擎再次请求的时候返回。由URL组成的优先队列, 由它来决定下一个要抓取的网址是什么，同时去除重复的网址。下载器(Downloader)：用于下载网页内容, 并将网页内容返回给Spiders。爬虫(Spiders)：用于从特定的网页中提取自己需要的信息, 并用于构建实体(Item)，也可以从中提取出链接,让Scrapy继续抓取下一个页面管道(Pipeline)：负责处理Spiders从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被Spiders解析后，将被发送到项目管道。下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。爬虫中间件(Spider Middlewares)：介于Scrapy引擎和爬虫之间的框架，主要工作是处理Spiders的响应输入和请求输出。调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy爬虫流程介绍

Scrapy基本爬取流程可以描述为UR2IM(URL-Request-Response-Item-More URL)：

引擎从调度器中取出一个链接(URL)用于接下来的抓取；引擎把URL封装成一个请求(Request)传给下载器；下载器把资源下载下来，并封装成应答包(Response)；爬虫解析Response；解析出实体（Item）,则交给实体管道进行进一步的处理；解析出的是链接（URL）,则把URL交给调度器等待抓取。

页面结构分析

首先查看目标页面，可以看到包含多个主题，选取感兴趣主题，本项目以“风景”为例(作为练习，也可以通过简单修改，来爬取所有模块内图片)。

在“风景”分类页面，可以看到每页包含多个专题，利用开发者工具，可以查看每个专题的URL，拷贝相应XPath，利用Xpath的规律性，构建循环，用于爬取每个专题内容。

查看不同专题的XPath

/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[1]/a

/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[2]/a

利用上述结果，可以看到li[index]中index为专题序列。因此可以构建Xpath列表如下：

item_selector = response.xpath(‘/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href’)

利用开发者工具，可以查看下一页的URL，拷贝相应XPath用于爬取下一页内容。

查看“下一页”的XPath

/html/body/div[3]/div/div[3]/div[1]/div[2]/div/a[5]

因此可以构建如下XPath：

next_selector = response.xpath(‘//a[@class=“next”]’)

点击进入专题，可以看到具体图片，通过查看图片XPath，用于获取图片地址。

构建图片XPath

response.xpath(‘/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src’).extract_first()

可以通过标题和图片序列构建图片名。

利用序号XPath构建图片在列表中的序号

index = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()’).extract_first()

利用标题XPath构建图片标题

title = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()’).extract_first()

利用图片标题title和序号index构建图片名

name = title + ‘_’ + index + ‘.jpg’

同时可以看到，在专题页面下，包含了多张图片，可以通过点击“下一张”按钮来获取下一页面URL，此处为了简化爬取过程，可以通过观察URL规律来构建每一图片详情页的URL，来下载图片。

第一张图片详情页地址

http://www.win4000.com/wallpaper_detail_45401.html

第二张图片详情页地址

http://www.win4000.com/wallpaper_detail_45401_2.html

因此可以通过首页地址和图片序号来构建每一张图片详情页地址。

第一张图片详情页地址

first_url = response.url

图片总数

num = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()’).extract_first()

num = int(num)

for i in range(2,num+1):

next_url = ‘.’.join(first_url.split(‘.’)[:-1]) + ‘_’ + str(i) + ‘.html’

定义Item字段（Items.py）

本项目用于下载图片，因此可以仅构建图片名和图片地址字段。

win4000/win4000/items.py

import scrapy

class Win4000Item(scrapy.Item):

define the fields for your item here like:

name = scrapy.Field()

url = scrapy.Field()

name = scrapy.Field()

编写爬虫文件(pictures.py)

代码详解见代码注释。

win4000/win4000/spiders/pictures.py

import scrapy

from win4000.items import Win4000Item

from urllib import parse

import time

class PicturesSpider(scrapy.Spider):

name = ‘pictures’

allowed_domains = [‘win4000.com’]

start_urls = [‘http://www.win4000.com/zt/fengjing.html’]

cookie用于模仿浏览器行为

cookie={

“t”:“29b7c2a8d2bbf060dc7b9ec00e75a0c5”,

“r”:“7957”,

“UM_distinctid”:“178c933b40e9-08430036bca215-7e22675c-1fa400-178c933b40fa00”,

“CNZZDATA1279564249”:“1468742421-1618282415-%7C1618282415”,

“XSRF-TOKEN”:“eyJpdiI6Ik8rbStsK1Fwem5zR2YzS29ESlI2dmc9PSIsInZhbHVlIjoiaDl5bXp5b1VvWmdSYklWWkEwMWJBK0FaZG9OaDA1VGQ2akZ0RDNISWNDM0hnOW11Q0JTVDZFNlY4cVwvSTBjQlltUG9tMnFUcWd5MzluUVZ0NDBLZlJuRWFuaVF0U3k0XC9CU1dIUzJybkorUEJ3Y2hRZTNcL0JqdjZnWjE5SXFiNm8iLCJtYWMiOiI2OTBjOTkzMTczYWQwNzRiZWY5MWMyY2JkNTQxYjlmZDE2OWUyYmNjNDNhNGYwNDAyYzRmYTk5M2JhNjg5ZmMwIn0%3D”,

“win4000_session”:“eyJpdiI6Inc2dFprdkdMTHZMSldlMXZ2a1cwWGc9PSIsInZhbHVlIjoiQkZHVlNYWWlET0NyWWlEb2tNS0hDSXAwZGVZV05vTmY0N0ZiaFdTa1VRZUVqWkRmNWJuNGJjNkFNa3pwMWtBcFRleCt4SUFhdDdoYnlPMGRTS0dOR0tkdmVtVDhzUWdTTTc3YXpDb0ZPMjVBVGJzM2NoZzlGa045Qnl0MzRTVUciLCJtYWMiOiI2M2VmMTEyMDkxNTIwNmJjZjViYTg4MjIwZGIxNTlmZWUyMTJlYWZhNjk5ZmM0NzgyMTA3MWE4MjljOWY3NTBiIn0%3D”

}

def start_requests(self):

“”"

重构start_requests函数，用于发送带有cookie的请求，模仿浏览器行为

“”"

yield scrapy.Request(‘http://www.win4000.com/zt/fengjing.html’, callback=self.parse, cookies=self.cookie)

def parse(self,response):

获取下一页的选择器

next_selector = response.xpath(‘//a[@class=“next”]’)

for url in next_selector.xpath(‘@href’).extract():

url = parse.urljoin(response.url,url)

暂停执行，防止网页的反爬虫程序

time.sleep(3)

用于爬取下一页

yield scrapy.Request(url, cookies=self.cookie)

用于获取每一专题的选择器

item_selector = response.xpath(‘/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href’)

for item_url in item_selector.extract():

item_url = parse.urljoin(response.url,item_url)

#print(item_url)

time.sleep(3)

请求专题页面，并利用回调函数callback解析专题页面

yield scrapy.Request(item_url,callback=self.parse_item, cookies=self.cookie)

def parse_item(self,response):

“”"

用于解析专题页面

“”"

由于Scrapy默认并不会爬取重复页面，

因此需要首先构建首张图片实体，然后爬取剩余图片，

也可以通过使用参数来取消过滤重复页面的请求

首张图片实体

item = Win4000Item()

item[‘url’] = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src’).extract_first()

index = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()’).extract_first()

item[‘name’] = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()’).extract_first() + ‘_’ + index + ‘.jpg’

yield item

first_url = response.url

num = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()’).extract_first()

num = int(num)

for i in range(2,num+1):

next_url = ‘.’.join(first_url.split(‘.’)[:-1]) + ‘_’ + str(i) + ‘.html’

请求其余图片，并用回调函数self.parse_detail解析页面

yield scrapy.Request(next_url,callback=self.parse_detail,cookies=self.cookie)

def parse_detail(self,response):

“”"

解析图片详情页面，构建实体

“”"

item = Win4000Item()

item[‘url’] = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src’).extract_first()

index = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()’).extract_first()

item[‘name’] = response.xpath(‘/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()’).extract_first() + ‘_’ + index + ‘.jpg’

yield item

修改配置文件settings.py

修改win4000/win4000/settings.py中的以下项。

BOT_NAME = ‘win4000’

SPIDER_MODULES = [‘win4000.spiders’]

NEWSPIDER_MODULE = ‘win4000.spiders’

图片保存文件夹

IMAGES_STORE = ‘./result’

Crawl responsibly by identifying yourself (and your website) on the user-agent

用于模仿浏览器行为

USER_AGENT = ‘Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:87.0) Gecko/20100101 Firefox/87.0’

Obey robots.txt rules

ROBOTSTXT_OBEY = False

Configure a delay for requests for the same website (default: 0)

See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay

金钥匙

Python爬虫——利用Scrapy批量下载图片(1)

python 职场和发展开发语言学习大数据干货！一份详实的 Scrapy 爬虫教程，值得收藏！

深度挖掘Scrapy爬虫框架：进阶应用技巧

发表评论取消回复

金钥匙

Python爬虫——利用Scrapy批量下载图片(1)

python 职场和发展 开发语言 学习 大数据 干货！一份详实的 Scrapy 爬虫教程，值得收藏！

深度挖掘Scrapy爬虫框架：进阶应用技巧

相关文章

发表评论取消回复

python 职场和发展开发语言学习大数据干货！一份详实的 Scrapy 爬虫教程，值得收藏！