小白进阶之 Scrapy 第四篇（图片下载管道篇）

PS：爬虫不进入 img_url 函数的小伙伴儿请尝试将将代码复制到你新建的 py 文件中。 2017/8/30 更新解决了网站防盗链导致下载图片失败的问题这几天一直有小伙伴而给我吐槽说，由于妹子图站长把 www.mzitu.com/all 这个地址取消了。导致原来的那个采集爬虫不能用啦。正好也有小伙伴儿问 Scrapy 中的图片下载管道是怎么用的。就凑合在一起把 mzitu.com 给重新写了一下。首先确保你的 Python 环境已安装 Scrapy!!!!!!!! 命令行下进入你需要存放项目的目录并创建项目：比如我放在了 D:\PycharmProjects

D:
cd PycharmProjects
scrapy startproject mzitu_scrapy

我是 Windows！其余系统的伙伴儿自己看着办哈。这都不会的小伙伴儿，快去洗洗睡吧。养足了精神从头看一遍教程哈！在 PyCharm 中打开我们的项目目录。在 mzitu_scrapy 目录创建 run.py。写入以下内容：

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'mzitu'])

其中的 mzitu 就为待会儿 spider.py 文件中的 name 属性。这点请务必记住哦！不然是跑不起来的。在 mzitu_scrapy\spider 目录中创建 spider.py。文件作为爬虫文件。好了！现在我们来想想，怎么来抓 mzitu.com 了。首先我们的目标是当然是全站的妹子图片！！！但是问题来了，站长把之前那个 mzitu.com\all 这个 URL 地址给取消了，我们没办法弄到全部的套图地址了！我们可以去仔细观察一下站点所有套图的地址都是：http://www.mzitu.com/ 几位数字结尾的。这种格式地址。有木有小伙伴儿想到了啥？ CrawlSpider ！！！就是这玩儿！！有了它我们就能追踪 “http://www.mzitu.com/ 几位数字结尾的” 这种格式的 URL 了。 Go Go Go Go！开始搞事。首先在 item.py 中新建我们需要的字段。我们需要啥？我们需要套图的名字和图片地址！！那我们新建三个字段：

import scrapy


class MzituScrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    image_urls = scrapy.Field()
    url = scrapy.Field()
    pass

第一步完成啦！开始写 spider.py 啦！首先导入我们需要的包：

from scrapy import Request
from scrapy.spider import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mzitu_scrapy.items import MzituScrapyItem

都是干啥的我不说了哈！不知道的小伙伴儿自己去翻翻官方文档。接下来是：

class Spider(CrawlSpider):
    name = 'mzitu'
    allowed_domains = ['mzitu.com']
    start_urls = ['http://www.mzitu.com/']
    img_urls = []
    rules = (
        Rule(LinkExtractor(allow=('http://www.mzitu.com/\d{1,6}',), deny=('http://www.mzitu.com/\d{1,6}/\d{1,6}')), callback='parse_item', follow=True),
    )

第五行的 img_urls=[] 这个列表是我们之后用来存储每个套图的全部图片的 URL 地址的。 rules 中的语句是：匹配 http://www.mzitu.com/1 至 6 位数的的 URL（\\d：数字；{1,6} 匹配 1 至 6 次。就能匹配出 1 到 6 位数）但是我们会发现网页中除了 http://www.mzitu.com/XXXXXXX 这种格式的 URL 之外；还有 http://www.mzitu.com/XXXX/XXXX 这个格式的 URL。所以我们需要设置 deny 来不匹配 http://www.mzitu.com/XXXX/XXXX 这种格式的 URL。然后将匹配到的网页交给 parse_item 来处理。并且持续追踪 看这儿敲黑板！！划重点！！：：：

重点说明！！！！不能 parse 函数！！这是 CrawlSpider 进行匹配调用的函数，你要是使用了！rules 就没法进行匹配啦！！！

现在 spider.py 是这样的：

from scrapy import Request
from scrapy.spider import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mzitu_scrapy.items import MzituScrapyItem


class Spider(CrawlSpider):
    name = 'mzitu'
    allowed_domains = ['mzitu.com']
    start_urls = ['http://www.mzitu.com/']
    img_urls = []
    rules = (
        Rule(LinkExtractor(allow=('http://www.mzitu.com/\d{1,6}',), deny=('http://www.mzitu.com/\d{1,6}/\d{1,6}')), callback='parse_item', follow=True),
    )


    def parse_item(self, response):
        print(response.url)

来跑一下试试别忘了怎么测试的哈！！上面新建的那个 run.py！ Good！！真棒！全是我们想要的！！！现在干啥？啥？你不知道？EXM 你没逗我吧！当然是解析我们拿到的 response 了！从里面找我们要的套图名称和所有的图片地址了！我们随便打开一个 URL。首先用 xpath 取套图名称：啥？你不知道怎么用 xpath？？少年少女你走吧。出去别说看过我的博文。 ./*//div [@class=’main’]/div [1]/h2/text () 这段 xpath 就是套图名称的 xpath 了！看不懂的少年少女赶快去 http://www.w3school.com.cn/ 看看 xpath 的教程！当然你直接用 Chrome 拷贝出来的那个 xpath 也行。（有一定的概率不能使）现在来找图片地址了，怎么找我在小白爬虫第一弹中已经写过了哈！这就不详细赘述了！首先找到每套图有多少张图片：就是红框中的那个东东。 Xpath 这样写：

descendant::div[@class='main']/div[@class='content']/div[@class='pagenavi']/a[last()-1]/span/text()

意思是选取根节点下面所有后代标签，在其中选取出 div [@class=’main’] 下面的 div [@class=’content’] 下面的 /div [@class=’pagenavi’] 下面的倒数第二个 a 标签下面的 span 标签中的文本。（有点长哈哈哈哈哈！其实还可以短一些，我懒就不改了）然后循环拼接处每张图片的的网页地址，现在 spider.py 是这样：

from scrapy import Request
from scrapy.spider import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mzitu_scrapy.items import MzituScrapyItem


class Spider(CrawlSpider):
    name = 'mzitu'
    allowed_domains = ['mzitu.com']
    start_urls = ['http://www.mzitu.com/']
    img_urls = []
    rules = (
        Rule(LinkExtractor(allow=('http://www.mzitu.com/\d{1,6}',), deny=('http://www.mzitu.com/\d{1,6}/\d{1,6}')), callback='parse_item', follow=True),
    )


    def parse_item(self, response):
        """
        :param response: 下载器返回的response
        :return:
        """
        item = MzituScrapyItem()
        # max_num为页面最后一张图片的位置
        max_num = response.xpath("descendant::div[@class='main']/div[@class='content']/div[@class='pagenavi']/a[last()-1]/span/text()").extract_first(default="N/A")
        item['name'] = response.xpath("./*//div[@class='main']/div[1]/h2/text()").extract_first(default="N/A")
        for num in range(1, int(max_num)):
            # page_url 为每张图片所在的页面地址
            page_url = response.url + '/' + str(num)
            yield Request(page_url, callback=self.img_url)

extract_first (default=”N/A”) 的意思是：取 xpath 返回值的第一个元素。如果 xpath 没有取到值，则返回 N/A 然后调用函数 img_url 来提取每个网页中的图片地址。img_url 长这样：

def img_url(self, response,):
    """取出图片URL 并添加进self.img_urls列表中
    :param response:
    :param img_url 为每张图片的真实地址
    """
    img_urls = response.xpath("descendant::div[@class='main-image']/descendant::img/@src").extract()
    for img_url in img_urls:
        self.img_urls.append(img_url)

descendant::div [@class=’main-image’]/descendant::img/@src 这段 xpath 取出 div [@class=’main-image’] 下面所有的 img 标签的 src 属性（有的套图一个页面有好几张图） .extract () 不跟上 [0] 返回的是列表完整的 spider.py 如下：

from scrapy import Request
from scrapy.spider import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mzitu_scrapy.items import MzituScrapyItem


class Spider(CrawlSpider):
    name = 'mzitu'
    allowed_domains = ['mzitu.com']
    start_urls = ['http://www.mzitu.com/']
    img_urls = []
    rules = (
        Rule(LinkExtractor(allow=('http://www.mzitu.com/\d{1,6}',), deny=('http://www.mzitu.com/\d{1,6}/\d{1,6}')), callback='parse_item', follow=True),
    )


    def parse_item(self, response):
        """
        :param response: 下载器返回的response
        :return:
        """
        item = MzituScrapyItem()
        # max_num为页面最后一张图片的位置
        max_num = response.xpath("descendant::div[@class='main']/div[@class='content']/div[@class='pagenavi']/a[last()-1]/span/text()").extract_first(default="N/A")
        item['name'] = response.xpath("./*//div[@class='main']/div[1]/h2/text()").extract_first(default="N/A")
        item['url'] = response.url
        for num in range(1, int(max_num)):
            # page_url 为每张图片所在的页面地址
            page_url = response.url + '/' + str(num)
            yield Request(page_url, callback=self.img_url)
        item['image_urls'] = self.img_urls
        yield item


    def img_url(self, response,):
        """取出图片URL 并添加进self.img_urls列表中
        :param response:
        :param img_url 为每张图片的真实地址
        """
        img_urls = response.xpath("descendant::div[@class='main-image']/descendant::img/@src").extract()
        for img_url in img_urls:
            self.img_urls.append(img_url)

下面开始把图片弄回本地啦！！开写我们的 pipelines.py 首先根据官方文档说明我们如果需要使用图片管道则需要使用 ImagesPipeline：我们可以依葫芦画瓢写一个。但是这样有一个很麻烦的问题就是，这样下载下来的图片没有分类，很是难看啊！所以我们需要重写一下 ImagesPipeline 中的 file_path 方法！具体如下：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy import Request
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
import re


class MzituScrapyPipeline(ImagesPipeline):

    def file_path(self, request, response=None, info=None):
        """
        :param request: 每一个图片下载管道请求
        :param response:
        :param info:
        :param strip :清洗Windows系统的文件夹非法字符，避免无法创建目录
        :return: 每套图的分类目录
        """
        item = request.meta['item']
        folder = item['name']
        folder_strip = strip(folder)
        image_guid = request.url.split('/')[-1]
        filename = u'full/{0}/{1}'.format(folder_strip, image_guid)
        return filename

    def get_media_requests(self, item, info):
        """
        :param item: spider.py中返回的item
        :param info:
        :return:
        """
        for img_url in item['image_urls']:
            referer = item['url']
            yield Request(img_url, meta={'item': item,
                                         'referer': referer})


    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

    # def process_item(self, item, spider):
    #     return item

def strip(path):
    """
    :param path: 需要清洗的文件夹名字
    :return: 清洗掉Windows系统非法文件夹名字的字符串
    """
    path = re.sub(r'[？\*|“<>:/]', '', str(path))
    return path




if __name__ == "__main__":
    a = '我是一个？*|“<>:/错误的字符串'
    print(strip(a))

写一个中间件来处理图片下载的防盗链：

class MeiZiTu(object):

    def process_request(self, request, spider):
        '''设置headers和切换请求头
        :param request: 请求体
        :param spider: spider对象
        :return: None
        '''
        referer = request.meta.get('referer', None)
        if referer:
            request.headers['referer'] = referer

最后一步设置 ImagesPipeline 的存储目录！在 settings.py 中写入：

IMAGES_STORE = 'F:\mzitu\\'

则 ImagesPipeline 将所有下载的图片放置在此目录下！设置图片实效性：图像管道避免下载最近已经下载的图片。使用 FILES_EXPIRES (或 IMAGES_EXPIRES) 设置可以调整失效期限，可以用天数来指定：在 settings.py 中写入以下配置。

# 30 days of delay for images expiration
IMAGES_EXPIRES = 30

settings.py 中开启 item_pipelines:

ITEM_PIPELINES = {
   'mzitu_scrapy.pipelines.MzituScrapyPipeline': 300,
}

settings.py 中开启 DOWNLOADER_MIDDLEWARES

DOWNLOADER_MIDDLEWARES = {
   'mzitu_scrapy.middlewares.MeiZiTu': 543,
}

如果你需要缩略图之类的请参考官方文档：将其写入 settings.py 文件中。至此完毕！！！来看看效果：下载速度简直飞起！！友情提示：请务必配置代理哦！可以参考大才哥的 http://cuiqingcai.com/3443.html 做一个代理，就不需要重写 Scrapy 中间件啦！更能避免费代理总是不能用的坑爹行为。总之省事省时又省心啊！ github 地址：https://github.com/thsheep/mzitu_scrapy