python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解

下载图片

下载图片有两种方式，一种是通过 Requests 模块发送 get 请求下载，另一种是使用 Scrapy 的 ImagesPipeline 图片管道类，这里主要讲后者。

安装 Scrapy 时并没有安装图像处理依赖包 Pillow，需手动安装否则运行爬虫出错。

首先在 settings.py 中设置图片的存储路径：

IMAGES_STORE = ‘D:/’

图片处理相关的选项还有：

# 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),

}

之前已经存在提取内容的 TuchongPipeline 类，如果使用 ImagePipeline 可以将提取内容的操作都合并过来，但是为了更好的说明图片管道的作用，我们再单独创建一个 ImagePipeline 类，加到 pipelines.py 文件中，同时重载函数 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)

上篇文章中我们把图片的URL保存在了 item[‘images’] 中，它是一个字典类型的数组，形如：[{img_id: img_url}, …]，此函数中需要把 img_url 取出并构建为 scrapy.Request 请求对象并返回，每一个请求都将触发一次下载图片的操作。

到 settings.py 中注册 PhotoPipeline，并把优先级设的比提取内容的管道要高一些，保证图片下载优先于内容处理，目的是如果有图片下载未成功，通过触发 DropItem 异常可以中断这一个 Item 的处理，防止不完整的数据进入下一管道：

ITEM_PIPELINES = {

'Toutiao.pipelines.PhotoGalleryPipeline': 300,

'Toutiao.pipelines.PhotoPipeline': 200,

}

执行爬虫 scrapy crawl photo ，如无错误，在设定的存储目录中会出现一个 full 目录，里面是下载后的图片。

文件名处理

下载的文件名是以图片URL通过 sha1 编码得到的字符，类似 0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太友好，可以通过重载 file_path 函数自定义文件名，比如可以这样保留原文件名：

...

def file_path(self, request, response=None, info=None):

file_name = request.url.split('/')[-1]

return 'full/%s' % (file_name)

...

上面这样处理难免会有重名的文件被覆盖，但参数 request 中没有过多的信息，不便于对图片分类，因此可以改为重载 item_completed 函数，在下载完成后对图片进行分类操作。

函数 item_completed 的定义：

def item_completed(self, results, item, info)

参数中包含 item ，有我们抓取的所有信息，参数 results 为下载图片的结果数组，包含下载后的路径以及是否成功下载，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，同时关联文件路径到 item 中，保持内容与图片为一个整体：

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

接下来在原 TuchongPipeline 类中写入数据库的操作中，通过 item[‘image_paths’] 路径信息写入本地图片链接。

除了 ImagesPipeline 处理图片外，还有 FilesPipeline 可以处理文件，使用方法与图片类似，事实上 ImagesPipeline 是 FilesPipeline 的子类，因为图片也是文件的一种。

python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解相关推荐

Python爬虫实战之二 - 基于Scrapy框架抓取Boss直聘的招聘信息
Python爬虫实战之三 - 基于Scrapy框架抓取Boss直聘的招聘信息 ---------------readme--------------- 简介:本人产品汪一枚,Python自学数月,对于 ...
使用scrapy框架抓取手机商品信息(2)
目录 1.模块设计 2.手机页面代码编写 2.1数据获取 2.2主页面编写 3.功能编写 3.1通过人民查询 3.2清空选项和查询函数 3.3列表相关功能定义 4.最终成功展示和总结上一篇:使用sc ...
使用scrapy框架抓取手机商品信息(1)
目录 1.准备工作 1.1 启动pycharm 1.2 setting.py 配置 1.3爬取页面分析 2.代码编写 2.1 爬虫代码 2.2 piplines.py代码编写 3 运行及收尾追加 1 ...
python frame框架抓取_Python抓取框架Scrapy爬虫入门：页面提取
前言 Scrapy是一个非常好的抓取框架,它不仅提供了一些开箱可用的基础组建,还能够根据自己的需求,进行强大的自定义.本文主要给大家介绍了关于Python抓取框架Scrapy之页面提取的相关内容,分享 ...
python find的使用方法_Python中的rfind()方法使用详解
Python中的rfind()方法使用详解 rfind()方法返回所在子str 被找到的最后一个索引,或者-1,如果没有这样的索引不存在,可选择限制搜索字符串string[beg:end]. 语法以 ...
python脚本运行时网络异常_Python中异常重试的解决方案详解
前言大家在做数据抓取的时候,经常遇到由于网络问题导致的程序保存,先前只是记录了错误内容,并对错误内容进行后期处理. 原先的流程: def crawl_page(url): pass def log_ ...
python xlrd课程_python中xlrd模块的使用详解
一.xlrd的安装打开cmd输入pip install xlrd安装完成即可二.xlrd模块的使用下面以这个工作簿为例 1.导入模块 import xlrd 2.打开工作薄 # filename ...
python迭代器创建序列_Python 中迭代器与生成器实例详解
Python 中迭代器与生成器实例详解本文通过针对不同应用场景及其解决方案的方式,总结了Python中迭代器与生成器的一些相关知识,具体如下: 1.手动遍历迭代器应用场景:想遍历一个可迭代对象中的 ...
python decimal类型转化_python中的decimal类型转换实例详解
[Python标准库]decimal--定点数和浮点数的数学运算作用:使用定点数和浮点数的小数运算. Python 版本:2.4 及以后版本 decimal 模块实现了定点和浮点算术运算符,使用的是 ...
python的sort方法是哪种_python中的sort方法使用详解
Python中的sort()方法用于数组排序,本文以实例形式对此加以详细说明: 一.基本形式列表有自己的sort方法,其对列表进行原址排序,既然是原址排序,那显然元组不可能拥有这种方法,因为元组是不可 ...

python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解

python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解相关推荐

最新文章

热门文章

python scrapy框架 抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解

python scrapy框架 抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解相关推荐

最新文章

热门文章

python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解

python scrapy框架抓取的图片路径打不开图片_Python中Scrapy爬虫图片处理详解相关推荐