• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    python爬虫Scrapy框架:媒体管道原理学习分析

    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

    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=baiduimageipn=rct=201326592cl=2lm=-1st=-1fm=indexfr=hs=0xthttps=111110sf=1fmq=pv=ic=0nc=1z=se=1showtab=0fb=0width=height=face=0istype=2ie=utf-8word=%E7%8B%97oq=%E7%8B%97rsp=-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=baiduimageipn=rct=201326592cl=2lm=-1st=-1fm=indexfr=hs=0xthttps=111110sf=1fmq=pv=ic=0nc=1z=se=1showtab=0fb=0width=height=face=0istype=2ie=utf-8word=%E7%8B%97oq=%E7%8B%97rsp=-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框架的资料请关注脚本之家其它相关文章!

    您可能感兴趣的文章:
    • 关于python爬虫应用urllib库作用分析
    • python爬虫Mitmproxy安装使用学习笔记
    • Python爬虫和反爬技术过程详解
    • python爬虫之Appium爬取手机App数据及模拟用户手势
    • 爬虫Python验证码识别入门
    • Python爬虫技术
    • Python爬虫爬取商品失败处理方法
    • Python获取江苏疫情实时数据及爬虫分析
    • Python爬虫之Scrapy环境搭建案例教程
    • Python爬虫中urllib3与urllib的区别是什么
    • 教你如何利用python3爬虫爬取漫画岛-非人哉漫画
    • Python爬虫分析汇总
    上一篇:python爬虫Mitmproxy安装使用学习笔记
    下一篇:Django的基本运用之Django垃圾分类详解
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    python爬虫Scrapy框架:媒体管道原理学习分析 python,爬虫,Scrapy,框架,媒体,