Scrapy爬取美女图片 (原创)

2023-07-26 17:04:34

　　有半个月没有更新了，最近确实有点忙。先是华为的比赛，接着实验室又有项目，然后又学习了一些新的知识，所以没有更新文章。为了表达我的歉意，我给大家来一波福利。。。（我的新书《Python爬虫开发与项目实战》出版了，大家可以看一下样章）

今天咱们说的是爬虫框架。之前我使用python爬取慕课网的视频，是根据爬虫的机制，自己手工定制的，感觉没有那么高大上，所以我最近玩了玩 python中强大的爬虫框架Scrapy。

Scrapy是一个用 Python 写的 Crawler Framework ，简单轻巧，并且非常方便。Scrapy 使用 Twisted 这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

　　绿线是数据流向，首先从初始 URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider 分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到 Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

　　简要介绍了Scrapy的工作流程，咱们开始直奔主题，使用Scrapy爬取美女图片。

大家注意今天不是讲Scrapy基础教程，咱们在之后的七夜音乐台开发的时候会讲解。所以咱们今天直接上手。

以煎蛋网(http://jandan.net)为例:

　　咱们来到煎蛋网首页，其中有一个栏目是妹子，今天的目标就是它。

图片的分类是按页进行排列，咱们要爬取所有的图片需要模拟翻页。

打开火狐中的firebug,审查元素。

　　这是咱们需要的图片链接，只要获取这个链接，进行下载就可以了。

　　咱们看看翻页后的链接是什么？？？

　　　咱们只要解析出红线圈出的这个标签，就可以知道下一页的链接了，就是这么简单。好了，这时候就可以写代码了。。。

　　打开cmd，输入scrapy startproject jiandan,这时候会生成一个工程，然后我把整个工程复制到pycharm中(还是使用IDE开发快)。

上图就是工程的结构。

jiandanSpider.py ------Spider 蜘蛛

items.py -----------------对要爬取数据的模型定义

pipelines.py-------------咱们最终要存储的数据

settings.py----------------对Scrapy的配置

接下来我把代码贴一下:

jiandanSpider.py:

#coding:utf-8

import scrapy

from jiandan.items import JiandanItem

from scrapy.crawler import CrawlerProcess

class jiandanSpider(scrapy.Spider):

    name = 'jiandan'

    allowed_domains = []

    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

        # print 'image_urls',item['image_urls']

        yield item

        new_url= response.xpath('//a[@class="previous-comment-page"]//@href').extract_first()#翻页

        # print 'new_url',new_url

        if new_url:

            yield scrapy.Request(new_url,callback=self.parse)

items.py :

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

import scrapy

class JiandanItem(scrapy.Item):

    # define the fields for your item here like:

    image_urls = scrapy.Field()#图片的链接

pipelines.py:

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

import os

import urllib

from jiandan import settings

class JiandanPipeline(object):

    def process_item(self, item, spider):

        dir_path = '%s/%s'%(settings.IMAGES_STORE,spider.name)#存储路径

        print 'dir_path',dir_path

        if not os.path.exists(dir_path):

            os.makedirs(dir_path)

        for image_url in item['image_urls']:

            list_name = image_url.split('/')

            file_name = list_name[len(list_name)-1]#图片名称

            # print 'filename',file_name

            file_path = '%s/%s'%(dir_path,file_name)

            # print 'file_path',file_path

            if os.path.exists(file_name):

                continue

            with open(file_path,'wb') as file_writer:

                conn = urllib.urlopen(image_url)#下载图片

                file_writer.write(conn.read())

            file_writer.close()

        return item

 settings.py:

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

# Scrapy settings for jiandan project

#

# For simplicity, this file contains only settings considered important or

# commonly used. You can find more settings consulting the documentation:

#

#     http://doc.scrapy.org/en/latest/topics/settings.html

#     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html

#     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'jiandan'

SPIDER_MODULES = ['jiandan.spiders']

NEWSPIDER_MODULE = 'jiandan.spiders'

ITEM_PIPELINES = {

   'jiandan.pipelines.JiandanPipeline': 1,

}

IMAGES_STORE='E:'

DOWNLOAD_DELAY = 0.25

最后咱们开始运行程序，cmd切换到工程目录，

输入scrapy crawl jiandan，启动爬虫。。。

大约20分钟左右，爬虫工作结束。。。

咱们去看看美女图吧，居然有1.21G。。。

今天的分享就到这里，如果大家觉得还可以呀，记得打赏呦。

欢迎大家支持我公众号:

本文章属于原创作品,欢迎大家转载分享。尊重原创,转载请注明来自:七夜的故事 http://www.cnblogs.com/qiyeboy/

码农公寓

相关文章