用理工科思维看待这个世界
初学者,尽力实现最小化学习系统
如何实现项目图片的下载
作为初学者,独自在摸索中的过程中,往往会遇到各种各样的问题, 第一遍的学习往往就算呈现的是正确答案,往往也不能全部理解,这歌层次需要知道:是什么?; 第二遍的学习需要知道:怎么做?; 第三遍的学习需要知道:如何实现已知的?; 第四步的学习需要知道:如何实现自己的?。
实现了自己的这步是实现最小可行性系统的关键,但往往容易陷入误区,错把最后一步的操作当做完全正确的答案,为避免陷入误区,应该在实现了最小可行性系统上,再次查阅最接近正确答案的文档,尤其是自学的过程中,推荐阅读官方文档
写不明白,差不多也就没学明白; 写的自己明白,差不多只学到了7成; 写的别人都能明白,差不多学到了9成; 剩下的是知识盲区。需要持续不断的精进。
使用Scrapy的ImagePipeline类提供的一种方便的方式来下载和存储图片,需要PIL库的支持,图片管道,在 ImagesPipeline 类中实现,提供了一个方便并具有额外特性的方法,来下载并本地存储图片:
image_urls
字段如图示:下载成功界面显示:
001.png
最终效果:
002.png
url
的xpath:首页存在30张图片
//div[@class="photo-item"]//img/@src
003.png
items.py
文件: 定义Itemclass ImagesItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
image_urls = scrapy.Field()
images = scrapy.Field()
image_paths = scrapy.Field()
pass
spider/image_spider.py
文件:爬取规则# -*- coding:utf-8 -*-
from scrapy.spiders import CrawlSpider,Rule
from images.items import ImagesItem
from scrapy.selector import Selector
class Download(CrawlSpider):
name = "image"
allowed_domains = ["https://stocksnap.io/"]
start_urls = ["https://stocksnap.io/",]
def parse(self, response):
print(response)
hxs = Selector(response)
imgs = hxs.xpath('//div[@class="photo-item"]//img/@src').extract()
item = ImagesItem()
item['image_urls']=imgs
return item
settings.py
可以设置: ITEM_PIPELINES = {'scrapy.contrib.pipeline.images.ImagesPipeline': 1}
IMAGES_STORE = '/path/to/valid/dir'
IMAGES_EXPIRES = 90
;缩略图生成:需要设置 IMAGES_THUMBS 字典
,这时会创建缩略图格式的文件夹<IMAGES_STORE>/thumbs/<size_name>/<image_id>.jpg
; 设置过滤小图片IMAGES_MIN_HEIGHT,IMAGES_MIN_WIDTH
ITEM_PIPELINES = {'scrapy.contrib.pipeline.images.ImagesPipeline': 1} # 开启图片管道
IMAGES_STORE=r"C:\Users\Wuxiaoshen\Desktop\history\tupian"# 存储路径
IMAGES_EXPIRES = 90 # 图片失效日期
get_media_requests(item, info)
和item_completed(results, items, info)
方法正如工作流程所示,Pipeline将从item中获取图片的URLs并下载它们,
所以必须重载get_media_requests
,并返回一个Request对象,
这些请求对象将被Pipeline处理,当完成下载后,
结果将发送到item_completed
方法,
这些结果为一个二元组的list,
每个元祖的包含(success, image_info_or_failure)
。
success: boolean
值,true表示成功下载 image_info_or_error
:如果success=true
,image_info_or_error
词典包含以下键值对url
:原始URL path
:本地存储路径 checksum
:校验码。失败则包含一些出错信息。
from scrapy.contrib.pipeline.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.http import Request
class ImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
yield Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
item['image_paths'] = image_paths
return item
运行效果:
004.png
本地图片显示:存储在本地设置的路径下full文件下,图片的名字使用图片url的SHA1 hash(这样的值很少会重复,所以可以实现重复判断,数据库中的去重操作的主键也常使用消息摘要算法)
示例:图片的url = https://snap-photos.s3.amazonaws.com/img-thumbs/280h/07EK7KIUOV.jpg
网站显示
import hashlib
print(hashlib.sha1(b"https://snap-photos.s3.amazonaws.com/img-thumbs/280h/07EK7KIUOV.jpg").hexdigest())
# 显示:'1c42553dbeb111970e504d07f8fdc0597de4c9ee'
图片显示:
006.png
全部图片:
005.png
第一次接触,就算是正确答案,你也不能完全的明白,所以参考文献的多次重复可以让你渐渐的明白原理和操作
任何实用性的东西都解决不了你所面临的实际问题,但为什么还要看?为了经验,为了通过阅读抓取别人的经验,虽然还需批判思维看待
如果你忍不住的想要和我交朋友:email: 1156143589@qq.com