Python中Scrapy爬虫图片处理详解

下载图片

下载图片有二种办法,生龙活虎种是经过 Requests 模块发送 get
央求下载,另豆蔻梢头种是运用 Scrapy 的 ImagesPipeline
图片管道类,这里最主要讲前面一个。

设置 Scrapy 时并未有设置图像管理重视包
Pillow,需手动安装否则运维爬虫出错。

先是在 settings.py 中装置图片的储存路线:

IMAGES_STORE = ‘D:/’

图片管理相关的取舍还应该有:

# 图片最小高度和宽度设置,可以过滤太小的图片
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110

# 生成缩略图选项
IMAGES_THUMBS = {
 'small': (50, 50),
 'big': (270, 270),
}

前边已经存在提取内容的 TuchongPipeline 类,即便运用 ImagePipeline
能够将提取内容的操作都统后生可畏过来,然则为了越来越好的求证图片管道的成效,大家再独自创造叁个ImagePipeline 类,加到 pipelines.py 文件中,同不常间重载函数
get_media_requests:

class PhotoGalleryPipeline(object):
 ...

class PhotoPipeline(ImagesPipeline):
 def get_media_requests(self, item, info):
  for (id, url) in item['images'].items():
   yield scrapy.Request(url)

上篇小说中大家把图片的UWranglerL保存在了 item[‘images’]
中,它是二个字典类型的数组,形如:[{img_id: img_url},
…],此函数中须求把 img_url 抽取并营造为 scrapy.Request
央浼对象并赶回,每二个号令都将触发二回下载图片的操作。

到 settings.py 中登记
PhotoPipeline,并把刚开始阶段级设的比提取内容的管道要高级中学一年级些,保障图片下载优先于内容管理,指标是风度翩翩旦有图片下载未得逞,通过触发
DropItem 格外能够中断那叁个 Item 的拍卖,制止破损的数码走入下生龙活虎管道:

ITEM_PIPELINES = {
 'Toutiao.pipelines.PhotoGalleryPipeline': 300,
 'Toutiao.pipelines.PhotoPipeline': 200,
}

举行爬虫 scrapy crawl photo ,如无错误,在设定的积累目录中会现身二个full 目录,里面是下载后的图形。

文件名管理

下载的文本名是以图纸UEnclaveL通过 sha1 编码获得的字符,相近0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太和煦,能够通过重载
file_path 函数自定义文件名,比方能够如此保留原来的文章件名:

...
 def file_path(self, request, response=None, info=None):
  file_name = request.url.split('/')[-1]
  return 'full/%s' % (file_name)
...

上面那样管理难免会有重名的文书被隐瞒,但参数 request
中绝非过多的音讯,不便于对图片分类,因而得以改为重载 item_completed
函数,在下载完成后对图纸展开分类操作。

函数 item_completed 的定义:

def item_completed(self, results, item, info)

参数中蕴藏 item ,有咱们抓取的有所音信,参数 results
为下载图片的结果数组,富含下载后的路径以至是或不是成功下载,内容如下:

[(True,
 {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
 'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
 'url': 'http://www.example.com/files/product1.pdf'}),
 (False,
 Failure(...))]

重载该函数将下载图片转移到分类目录中,同时提到文件路线到 item
中,保持内容与图片为一个完好无缺:

def item_completed(self, results, item, info):
 image_paths = {x['url'].split('/')[-1]: x['path'] for ok, x in results if ok}
 if not image_paths:
  # 下载失败忽略该 Item 的后续处理
  raise DropItem("Item contains no files")
 else:
  # 将图片转移至以 post_id 为名的子目录中
  for (dest, src) in image_paths.items():
   dir = settings.IMAGES_STORE
   newdir = dir + os.path.dirname(src) + '/' + item['post_id'] + '/'
   if not os.path.exists(newdir):
    os.makedirs(newdir)
   os.rename(dir + src, newdir + dest)
 # 将保存路径保存于 item 中(image_paths 需要在 items.py 中定义)
 item['image_paths'] = image_paths
 return item

接下去在原 TuchongPipeline 类中写入数据库的操作中,通过
item[‘image_paths’] 路线消息写入当地图片链接。

除了那一个之外 ImagesPipeline 处理图片外,还应该有 FilesPipeline
能够处理公事,使用方法与图片相同,事实上 ImagesPipeline 是 FilesPipeline
的子类,因为图片也是文本的生机勃勃种。

你也许感兴趣的文章:

  • Python爬虫框架Scrapy安装使用手续
  • 深远剖判Python的爬虫框架Scrapy的协会与运作流程
  • Python的爬虫框架scrapy用21行代码写一个爬虫
  • Python之Scrapy爬虫框架安装及利用详明
  • Python爬虫框架Scrapy常用命令计算
  • Python爬虫框架Scrapy基本用法入门教程
  • Python爬虫模拟登入带验证码网址
  • Python
    互联网爬虫–关于简单的模拟登入实例疏解
  • python爬虫框架scrapy实战之爬取京东商店进级篇
  • python爬虫框架scrapy完毕模拟登入操作示例

Post Author: admin

发表评论

电子邮件地址不会被公开。 必填项已用*标注