当前位置 博文首页 > python爬虫Scrapy框架:媒体管道原理学习分析

    python爬虫Scrapy框架:媒体管道原理学习分析

    作者:别呀 时间:2021-09-15 18:21

    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:

                jsjbwy
                下一篇:没有了