Scrapy之FilesPipeline和ImagesPipline文件与图片下载

菲宇

发布于 2019-06-13 11:45:39

3K0

发布于 2019-06-13 11:45:39

文章被收录于专栏：菲宇菲宇

Media Pipeline

Scrapy为下载item中包含的文件(比如在爬取到产品时，同时也想保存对应的图片)提供了一个可重用的 item pipelines . 这些pipeline有些共同的方法和结构(称之为media pipeline)。我们可以使用FilesPipeline和Images Pipeline来保存文件和图片，他们有以下的一些特点：

Files Pipeline
- 避免重新下载最近已经下载过的数据
- 指定存储路径
FilesPipeline的典型工作流程如下：
1. 在一个爬虫里，你抓取一个项目，把其中图片的URL放入 file_urls 组内。
2. 项目从爬虫内返回，进入项目管道。
3. 当项目进入 FilesPipeline，file_urls 组内的URLs将被Scrapy的调度器和下载器（这意味着调度器和下载器的中间件可以复用）安排下载，当优先级更高，会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成文件的下载（或者由于某些原因未完成下载）。
4. 当文件下载完后，另一个字段(files)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址（从 file_urls 组获得）和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_urls 组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在 files 组中。
Images Pipeline
- 避免重新下载最近已经下载过的数据
- 指定存储路径
- 将所有下载的图片转换成通用的格式（JPG）和模式（RGB）
- 缩略图生成
- 检测图像的宽/高，确保它们满足最小限制
和FilesPipeline类似，除了默认的字段名不同，image_urls保存图片URL地址，images保存下载后的图片信息。当然，它还提供了一些拓展功能，比如图片的缩略图，过滤图片的尺寸。注意：你需要安装Pillow 库来实现以上的拓展功能。

启用Media Pipeline

要想使用media pipeline，你需要在设置添加一些必要的信息。

# 同时启用图片和文件管道
ITEM_PIPELINES = {
                  'scrapy.pipelines.images.ImagesPipeline': 1,
                  'scrapy.pipelines.files.FilesPipeline': 2,
                 }
FILES_STORE = 'D:'  # 文件存储路径
IMAGES_STORE = 'D' # 图片存储路径

# 避免下载最近90天已经下载过的文件内容
FILES_EXPIRES = 90
# 避免下载最近90天已经下载过的图像内容
IMAGES_EXPIRES = 30

# 设置图片缩略图
IMAGES_THUMBS = {
    'small': (50, 50),
    'big': (250, 250),
}
# 图片过滤器，最小高度和宽度，低于此尺寸不下载
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110

你可能会好奇文件的命名，在当你启用media pipeline以后，它的默认命名方式是这样的，文件以它们URL的 SHA1 hash 作为文件名。例如，对下面的图片URL:http://www.example.com/image.jpg, 其SHA1 hash 值为:3afec3b4765f8f0a07b78f98c07b83f013567a0a 将被下载并存为下面的文件:<IMAGES_STORE>/full/3afec3b4765f8f0a07b78f98c07b83f013567a0a.jpg 其中，是定义在 IMAGES_STORE 设置里的文件夹，我们设置的是D盘，full 是用来区分图片和缩略图（如果使用的话）的一个子文件夹，这个文件夹scrapy会自动生成。

扩展Media Pipeline

下面我们以ImagesPipeline为例来自定义ImagesPipeline，需要重写以下两个方法：

get_media_requests(item, info) 在工作流程中可以看到，管道会得到图片的URL并从项目中下载。为了这么做，你需要重写 get_media_requests() 方法，并对各个图片URL返回一个Request: def get_media_requests(self, item, info): for image_url in item['image_urls']: yield scrapy.Request(image_url) 这些请求将被管道处理，当它们完成下载后，结果将以2元素的元组列表形式传送到 item_completed() 方法: 每个元组包含 (success, file_info_or_error):
- success 是一个布尔值，当图片成功下载时为 True ，因为某个原因下载失败为False
- file_info_or_error 是一个包含下列关键字的字典（如果成功为 True ）或者出问题时为 Twisted Failure 。 url - 文件下载的url。这是从 get_media_requests() 方法返回请求的url。 path - 图片存储的路径（类似 IMAGES_STORE） checksum - 图片内容的 MD5 hash item_completed() 接收的元组列表需要保证与 get_media_requests() 方法返回请求的顺序相一致。下面是 results 参数的一个典型值: [(True, {'checksum': '2b00042f7481c7b056c4b410d28f33cf', 'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg', 'url': 'http://www.example.com/files/product1.jpg'}), (False, Failure(...))] 该方法必须返回每一个图片的URL。
item_completed(results, items, info) 当一个单独项目中的所有图片请求完成时,例如，item里面一共有10个URL，那么当这10个URL全部下载完成以后，ImagesPipeline.item_completed() 方法将被调用。默认情况下， item_completed() 方法返回item。

可以改写自己的文件名的保存方式

class MyFilesPipeline(FilesPipeline): def file_path(self, request, response=None, info=None): split_url = str(request.url).split('/') kind_name = split_url[-2] file_name = split_url[-1] return '%s/%s'%(kind_name,file_name) # path = urlparse(request.url).path # return join(basename(dirname(path)),basename(path))

在settings中设置

ITEM_PIPELINES = { #'scrapy.pipelines.files.FilesPipeline':1 'download_files.pipelines.MyFilesPipeline':1 # 'download_files.pipelines.DownloadFilesPipeline': 300, }

也可以编写自己的文本格式来保存：

class ExcelItemExporter(BaseItemExporter): def __init__(self,file,**kwargs): self._configure(kwargs) self.file = file self.row = 0 self.wb = xlwt.Workbook() self.sheet = self.wb.add_sheet('books') def finish_exporting(self): self.wb.save(self.file) def export_item(self, item): items = self._get_serialized_fields(item) for col,v in enumerate(x for _,x in items): self.sheet.write(self.row,col,v) self.row +=1

然后在settings中配置：

FEED_EXPORTERS = {'excel':'douban_books.my_exporter.ExcelItemExporter'} FEED_EXPORT_FIELDS = ['url','ISBN','name','author','publish','publish_time','subtitle','price','pages','series','about_author','content']

FEED_EXPORT_FIELDS 可以设置保存数据字段的顺序

使用ImagesPipeline下载图片

下面我们用上面学习到的知识来下载一些图片。我们以http://jandan.net/ooxx为例，把页面上的图片下载下来，并产生缩略图我们新建一个项目，名为jiandan，各个文件内容如下。

item.py

import scrapy

class JiandanItem(scrapy.Item):
    image_urls = scrapy.Field()#图片的链接
    images = scrapy.Field()

jiandan_spider.py

import scrapy
from jiandan.items import JiandanItem

class jiandanSpider(scrapy.Spider):
    name = 'jiandan'
    start_urls = ["http://jandan.net/ooxx"]

    def parse(self, response):

        item = JiandanItem()
        item['image_urls'] = response.xpath('//img//@src').extract() #提取图片链接
        yield item

settings.py

BOT_NAME = 'jiandan'

SPIDER_MODULES = ['jiandan.spiders']
NEWSPIDER_MODULE = 'jiandan.spiders'

DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
    'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
}

ITEM_PIPELINES = {
   'jiandan.pipelines.JiandanPipeline':1,
}
IMAGES_STORE='H:\\jiandan'
IMAGES_THUMBS = {
    'small': (50, 50),
    'big': (200, 200),
}

pipelinse.py

import scrapy
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline   #内置的图片管道

class JiandanPipeline(ImagesPipeline):#继承ImagesPipeline这个类

    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            image_url = "http://" + image_url
            yield scrapy.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")
        return item

运行这个spider，你会发现，图片已经下载好了，如下图所示。

方法一：

item.py文件：定义item字段

import scrapy class PicPhotoPeopleItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # 存放url的下载地址 image_urls = scrapy.Field() # 图片下载路径、url和校验码等信息（图片全部下载完成后将信息保存在images中） images = scrapy.Field() # 图片的本地保存地址 image_paths = scrapy.Field()

spider.py文件：编写爬虫文件，解析源码，得到图片的url下载路径

# -*- coding: utf-8 -*- import scrapy from ..items import PicPhotoPeopleItem class PeopleSpider(scrapy.Spider): name = 'people' allowed_domains = ['699pic.com'] start_urls = ['http://699pic.com/people.html'] base_url = 'http://699pic.com/' def parse(self, response): # 获取全部的图片地址 list_imgs = response.xpath('//div[@class="swipeboxEx"]/div[@class="list"]//img/@data-original').extract() if list_imgs: item = PicPhotoPeopleItem() item['image_urls'] = list_imgs # 保存到item的image_urls里 yield item # 返回item给pipeline文件处理 # 获取下一页url next_url = response.xpath('//a[@class="downPage"]/@href').extract()[0] \ if len(response.xpath('//a[@class="downPage"]/@href')) else None if next_url: yield scrapy.Request(url=self.base_url + next_url,callback=self.parse)

pipelines.py文件：对item里的数据进行处理，这里是调用调度器和下载器下载图片。重写一些ImagesPileline类的方法。

需要重写的方法有：get_media_requests(item, info)和item_completed(results, items, info)

from scrapy.pipelines.images import ImagesPipeline from scrapy.exceptions import DropItem from scrapy.http import Request class PicPhotoPeoplePipeline(ImagesPipeline): def file_path(self, request, response=None, info=None): """ 重写ImagesPipeline类的file_path方法实现：下载下来的图片命名是以校验码来命名的，该方法实现保持原有图片命名 :return: 图片路径 """ image_guid = request.url.split('/')[-1] # 取原url的图片命名 return 'full/%s' % (image_guid) def get_media_requests(self, item, info): """ 遍历image_urls里的每一个url，调用调度器和下载器，下载图片 :return: Request对象图片下载完毕后，处理结果会以二元组的方式返回给item_completed()函数 """ for image_url in item['image_urls']: yield Request(image_url) def item_completed(self, results, item, info): """ 将图片的本地路径赋值给item['image_paths'] :param results:下载结果，二元组定义如下：(success, image_info_or_failure)。第一个元素表示图片是否下载成功；第二个元素是一个字典。如果success=true，image_info_or_error词典包含以下键值对。失败则包含一些出错信息。字典内包含* url：原始URL * path：本地存储路径 * checksum：校验码 :param item: :param info: :return: """ image_paths = [x['path'] for ok, x in results if ok] if not image_paths: raise DropItem("Item contains no images") # 如果没有路径则抛出异常 item['image_paths'] = image_paths return item

settings.py文件：配置setting文件。

import os # 配置数据保存路径，为当前工程目录下的 images 目录中 project_dir = os.path.abspath(os.path.dirname(__file__)) IMAGES_STORE = os.path.join(project_dir, 'images') # 过期天数 IMAGES_EXPIRES = 90 # 90天内抓取的都不会被重抓 # IMAGES_MIN_HEIGHT = 100 # 图片的最小高度 # IMAGES_MIN_WIDTH = 100 # 图片的最小宽度

结果：

方法二：

item.py和spider.py同上；pipeline.py此处不需要自己编写，直接引用现成的ImagePileline；

修改settings.py文件即可，代码如下：

import os IMAGES_URLS_FIELD = 'image_urls' # 要保存的字段，即在 Item 类中的字段名为 image_urls # 配置数据保存路径，为当前工程目录下的 images 目录中 project_dir = os.path.abspath(os.path.dirname(__file__)) IMAGES_STORE = os.path.join(project_dir, 'images') # 过期天数 IMAGES_EXPIRES = 90 # 90天内抓取的都不会被重抓 # IMAGES_MIN_HEIGHT = 100 # 图片的最小高度 # IMAGES_MIN_WIDTH = 100 # 图片的最小宽度 ITEM_PIPELINES = { 'scrapy.pipelines.images.ImagesPipeline': 1, }

结果同上。

注意点：在写爬虫文件解析response时，获取图片的下载地址，一开始写的xpath是@src，但是爬取到的image_urls里面全部是http://static.699pic.com/images/blank.png

后来排查代码，观察网页源代码，发现源代码中@src的值是http://static.699pic.com/images/blank.png。刚才element中的src是经过渲染之后的值，所以最后采用的@data-original。这也就证实了爬虫获取到的response是网页的源码，爬取之前需要先确认源码和element中的元素和值是否一致，只有一致了才可以直接使用element中的元素和值。

转自：https://blog.csdn.net/loner_fang/article/details/81111879

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2019年05月06日，如有侵权请联系 cloudcommunity@tencent.com 删除

python