第六周——爬虫入门 Day4 8.4_imgspileline super()-优快云博客

学习时间：9:00——12:00 15:00——16:30

图片数据爬取之ImagesPipeline
—基于scrapy爬取字符串类型的数据和爬取图片类型的数据区别?
—字符串:只需要基于xpath进行解析且提交管道进行持久化存储
—图片:xpath解析出图片src的属性值。单独的对图片地址发起请求获取图片二进制类型的数据

—ImagesPipeline:
—只需要将img的src的属性值进行解析，提交到管道，管道就会对图片的src进行请求发送获取图片的二进制数据，还会进行持久化存储

需求:爬职站长素材中的高清图片
一使用流程:
一数据解析(图片的地址)
一将存储图片地址的item提交到制定的管道类
—在管道文件中自定制一个基于ImagesPipeLine的一个管道类
—get_media_request
— file_path
— item completed—

—在配置文件中:
一指定图片存储的目录:IMAGES_STORE = './imgs'
—指定开启的管道:自定制的管道类
代码如下：

img.py

import scrapy
from imgsPro.items import ImgsproItem

class ImgSpider(scrapy.Spider):
    name = 'img'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://sc.chinaz.com/tupian/']

    def parse(self, response):
        div_list = response.xpath('//div[@id="container"]/div')
        for div in div_list:
            src = div.xpath('./div/a/img/@src').extract_first()
            img_src = src.replace('_s.jpg','.jpg')
            img_src = 'https:' + img_src
            # print(img_src)

            item = ImgsproItem()
            item['img_src'] = img_src
            yield item

items.py

import scrapy


class ImgsproItem(scrapy.Item):
    # define the fields for your item here like:
    img_src = scrapy.Field()

pipelines.py

import scrapy
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline

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

class imgsPileLine(ImagesPipeline):
    #根据图片地址进行图片数据的请求
    def get_media_requests(self, item, info):
        yield scrapy.Request(item['img_src'])

    #指定图片存储的路径
    def file_path(self, request, response=None, info=None, *, item=None):
        imgName = request.url.split('/')[-1]
        return imgName

    def item_completed(self, results, item, info):
        return item #返回给下一个即将执行的管道类

settings.py

USER_AGENT = 'xxx'

LOG_LEVEL = 'ERROR'

ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {
   'imgsPro.pipelines.imgsPileLine': 300,
}

#指定图片存储的目录
IMAGES_STORE = './imgs'
MEDIA_ALLOW_REDIRECTS =True

注意：

item['src']会报错，不能用src

图片一开始的src仅为缩略图src，并不是高清的src，对比可知，高清图片的src仅是在缩略图src后加上_s即可，并且src不完整，要在前面拼接上 https:

如果既没有报错也没有反应，那么要安装pillow