Python爬虫——利用Scrapy批量下载图片

Scrapy下载图片项目介绍
使用Scrapy下载图片
- 项目创建
- 项目预览
- 创建爬虫文件
- 项目组件介绍
- Scrapy爬虫流程介绍
- 页面结构分析
- 定义Item字段（Items.py）
- 编写爬虫文件(pictures.py)
- 修改配置文件settings.py
- 修改管道文件pipelines.py用于下载图片
- 编写爬虫启动文件begin.py
- 最终目录树
- 项目运行
爬取结果
后记

Scrapy下载图片项目介绍

Scrapy是一个适用爬取网站数据、提取结构性数据的应用程序框架，它可以通过定制化的修改来满足不同的爬虫需求。本项目利用Scrapy 框架下载精美壁纸图片，爬取网站为“美桌壁纸”。

使用Scrapy下载图片

项目创建

首先在终端创建项目

# win4000为项目名
$ scrapy startproject  win4000

该命令将创建下述项目目录。

项目预览

查看项目目录

win4000
- win4000
  - spiders
    - __init__.py
  - __init__.py
  - items.py
  - middlewares.py
  - pipelines.py
  - settings.py
- scrapy.cfg

创建爬虫文件

进入spiders文件夹，根据模板文件创建爬虫文件

$ cd win4000/win4000/spiders
# pictures 为 爬虫名
$ scrapy genspider pictures "win4000.com"

项目组件介绍

引擎(Scrapy)：核心组件，处理系统的数据流处理，触发事务。
调度器(Scheduler)：用来接受引擎发出的请求, 压入队列中, 并在引擎再次请求的时候返回。由URL组成的优先队列, 由它来决定下一个要抓取的网址是什么，同时去除重复的网址。
下载器(Downloader)：用于下载网页内容, 并将网页内容返回给Spiders。
爬虫(Spiders)：用于从特定的网页中提取自己需要的信息, 并用于构建实体(Item)，也可以从中提取出链接,让Scrapy继续抓取下一个页面
管道(Pipeline)：负责处理Spiders从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被Spiders解析后，将被发送到项目管道。
下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)：介于Scrapy引擎和爬虫之间的框架，主要工作是处理Spiders的响应输入和请求输出。
调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy爬虫流程介绍

Scrapy基本爬取流程可以描述为UR2IM(URL-Request-Response-Item-More URL)：

引擎从调度器中取出一个链接(URL)用于接下来的抓取；
引擎把URL封装成一个请求(Request)传给下载器；
下载器把资源下载下来，并封装成应答包(Response)；
爬虫解析Response；
解析出实体（Item）,则交给实体管道进行进一步的处理；
解析出的是链接（URL）,则把URL交给调度器等待抓取。

页面结构分析

首先查看目标页面，可以看到包含多个主题，选取感兴趣主题，本项目以“风景”为例(作为练习，也可以通过简单修改，来爬取所有模块内图片)。
在“风景”分类页面，可以看到每页包含多个专题，利用开发者工具，可以查看每个专题的URL，拷贝相应XPath，利用Xpath的规律性，构建循环，用于爬取每个专题内容。
```
# 查看不同专题的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[1]/a
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[2]/a
```
利用上述结果，可以看到li[index]中index为专题序列。因此可以构建Xpath列表如下：
```
item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
```

利用开发者工具，可以查看下一页的URL，拷贝相应XPath用于爬取下一页内容。

# 查看“下一页”的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[2]/div/a[5]

因此可以构建如下XPath：

next_selector = response.xpath('//a[@class="next"]')

点击进入专题，可以看到具体图片，通过查看图片XPath，用于获取图片地址。

# 构建图片XPath
response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()

可以通过标题和图片序列构建图片名。

# 利用序号XPath构建图片在列表中的序号
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
# 利用标题XPath构建图片标题
title = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first()
# 利用图片标题title和序号index构建图片名
name = title + '_' + index + '.jpg'

同时可以看到，在专题页面下，包含了多张图片，可以通过点击“下一张”按钮来获取下一页面URL，此处为了简化爬取过程，可以通过观察URL规律来构建每一图片详情页的URL，来下载图片。

# 第一张图片详情页地址
# http://www.win4000.com/wallpaper_detail_45401.html
# 第二张图片详情页地址
# http://www.win4000.com/wallpaper_detail_45401_2.html

因此可以通过首页地址和图片序号来构建每一张图片详情页地址。

# 第一张图片详情页地址
first_url = response.url
# 图片总数
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'

定义Item字段（Items.py）

本项目用于下载图片，因此可以仅构建图片名和图片地址字段。

# win4000/win4000/items.py
import scrapyclass Win4000Item(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()url = scrapy.Field()name = scrapy.Field()

编写爬虫文件(pictures.py)

代码详解见代码注释。

# win4000/win4000/spiders/pictures.py
import scrapy
from win4000.items import Win4000Item
from urllib import parse
import timeclass PicturesSpider(scrapy.Spider):name = 'pictures'allowed_domains = ['win4000.com']start_urls = ['http://www.win4000.com/zt/fengjing.html']start_urls = ['http://www.win4000.com/zt/fengjing.html']# cookie用于模仿浏览器行为cookie={"t":"29b7c2a8d2bbf060dc7b9ec00e75a0c5","r":"7957","UM_distinctid":"178c933b40e9-08430036bca215-7e22675c-1fa400-178c933b40fa00","CNZZDATA1279564249":"1468742421-1618282415-%7C1618282415","XSRF-TOKEN":"eyJpdiI6Ik8rbStsK1Fwem5zR2YzS29ESlI2dmc9PSIsInZhbHVlIjoiaDl5bXp5b1VvWmdSYklWWkEwMWJBK0FaZG9OaDA1VGQ2akZ0RDNISWNDM0hnOW11Q0JTVDZFNlY4cVwvSTBjQlltUG9tMnFUcWd5MzluUVZ0NDBLZlJuRWFuaVF0U3k0XC9CU1dIUzJybkorUEJ3Y2hRZTNcL0JqdjZnWjE5SXFiNm8iLCJtYWMiOiI2OTBjOTkzMTczYWQwNzRiZWY5MWMyY2JkNTQxYjlmZDE2OWUyYmNjNDNhNGYwNDAyYzRmYTk5M2JhNjg5ZmMwIn0%3D","win4000_session":"eyJpdiI6Inc2dFprdkdMTHZMSldlMXZ2a1cwWGc9PSIsInZhbHVlIjoiQkZHVlNYWWlET0NyWWlEb2tNS0hDSXAwZGVZV05vTmY0N0ZiaFdTa1VRZUVqWkRmNWJuNGJjNkFNa3pwMWtBcFRleCt4SUFhdDdoYnlPMGRTS0dOR0tkdmVtVDhzUWdTTTc3YXpDb0ZPMjVBVGJzM2NoZzlGa045Qnl0MzRTVUciLCJtYWMiOiI2M2VmMTEyMDkxNTIwNmJjZjViYTg4MjIwZGIxNTlmZWUyMTJlYWZhNjk5ZmM0NzgyMTA3MWE4MjljOWY3NTBiIn0%3D"}def start_requests(self):"""重构start_requests函数，用于发送带有cookie的请求，模仿浏览器行为"""yield scrapy.Request('http://www.win4000.com/zt/fengjing.html', callback=self.parse, cookies=self.cookie)def parse(self,response):# 获取下一页的选择器next_selector = response.xpath('//a[@class="next"]')for url in next_selector.xpath('@href').extract():url = parse.urljoin(response.url,url)# 暂停执行，防止网页的反爬虫程序time.sleep(3)# 用于爬取下一页yield scrapy.Request(url, cookies=self.cookie)# 用于获取每一专题的选择器item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')for item_url in item_selector.extract():item_url = parse.urljoin(response.url,item_url)#print(item_url)time.sleep(3)# 请求专题页面，并利用回调函数callback解析专题页面yield scrapy.Request(item_url,callback=self.parse_item, cookies=self.cookie)def parse_item(self,response):"""用于解析专题页面"""# 由于Scrapy默认并不会爬取重复页面，# 因此需要首先构建首张图片实体，然后爬取剩余图片，# 也可以通过使用参数来取消过滤重复页面的请求# 首张图片实体item = Win4000Item()item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'yield itemfirst_url = response.urlnum = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()num = int(num)for i in range(2,num+1):next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'# 请求其余图片，并用回调函数self.parse_detail解析页面yield scrapy.Request(next_url,callback=self.parse_detail,cookies=self.cookie)def parse_detail(self,response):"""解析图片详情页面，构建实体"""item = Win4000Item()item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'yield item

修改配置文件settings.py

修改win4000/win4000/settings.py中的以下项。

BOT_NAME = 'win4000'SPIDER_MODULES = ['win4000.spiders']
NEWSPIDER_MODULE = 'win4000.spiders'
# 图片保存文件夹
IMAGES_STORE = './result'# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 用于模仿浏览器行为
USER_AGENT = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:87.0) Gecko/20100101 Firefox/87.0'# Obey robots.txt rules
ROBOTSTXT_OBEY = False# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# 下载时延
DOWNLOAD_DELAY = 3# Disable cookies (enabled by default)
# 是否启用Cookie
COOKIES_ENABLED = True# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'win4000.pipelines.Win4000Pipeline': 300,
}

修改管道文件pipelines.py用于下载图片

修改win4000/win4000/pipelines.py文件。

from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import scrapy
import os
from scrapy.exceptions import DropItemclass Win4000Pipeline(ImagesPipeline):def get_media_requests(self, item, info):# 下载图片，如果传过来的是集合需要循环下载# meta里面的数据是从spider获取，然后通过meta传递给下面方法：file_pathyield scrapy.Request(url=item['url'],meta={'name':item['name']})def item_completed(self, results, item, info):# 是一个元组，第一个元素是布尔值表示是否成功if not results[0][0]:with open('img_error_name.txt','a') as f_name:error_name = str(item['name'])f_name.write(error_name)f_name.write('\n')with open('img_error_url.txt','a') as f_url:error_url = str(item['url'])f_url.write(error_url)f_url.write('\n')raise DropItem('下载失败')return item# 重命名，若不重写这函数，图片名为哈希，就是一串乱七八糟的名字def file_path(self, request, response=None, info=None):# 接收上面meta传递过来的图片名称filename = request.meta['name']return filename

编写爬虫启动文件begin.py

在win4000目录下创建begin.py

# win4000/begin.py
from scrapy import cmdlinecmdline.execute('scrapy crawl pictures'.split())

最终目录树

win4000
- begin.py
- win4000
  - spiders
    - __init__.py
    - pictures.py
  - __init__.py
  - items.py
  - middlewares.py
  - pipelines.py
  - settings.py
- scrapy.cfg

项目运行

进入begin.py所在目录，运行程序，启动scrapy进行爬虫。

$ python3 begin.py

爬取结果

后记

本项目仅用于测试用途。
Enjoy coding.