scrapy (2)下载图片及存储信息

1scrapy项目的使用(利用item收集抓取的返回值)

1、创建scrapy项目

1
2
3
4
5
6
scrapy startproject booklist
New Scrapy project 'booklist', using template directory '/usr/local/lib/python3.6/site-packages/scrapy/templates/project', created in:
    /Users/yuanjicai/booklist
You can start your first spider with:
    cd booklist
    scrapy genspider example example.com

2、定义要抓取内容的字段(用于回收抓取的数据)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
cat booklist/items.py
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class BooklistItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    author = scrapy.Field()
    publisher = scrapy.Field()
    editor_date = scrapy.Field()
    description = scrapy.Field()

3、编写spider进行抓取

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
cat booklist/spiders/bookspider.py
import scrapy
from booklist.items import BooklistItem
class BookSpider(scrapy.Spider):
    name = 'booklist'
    start_urls = ['http://www.chinavalue.net/BookInfo/BookList.aspx?page=1']
    def parse(self,response):
        yield scrapy.Request(response.urljoin("?page=1"),callback=self.parse_page)
        for item in response.xpath('//div[@id="ctl00_ContentPlaceHolder1_pagerBook"]/a/@href').extract():
            fullurl=response.urljoin(item)
            yield scrapy.Request(fullurl,callback=self.parse_page)
    def parse_page(self,response):
        for item in response.xpath('//div[@id="divBookList"]/div/div[2]/a[1]'):
            detail_url=response.urljoin(item.xpath('@href').extract()[0])
            yield scrapy.Request(detail_url,callback=self.parse_bookdetail)
    def parse_bookdetail(self,response):
        bookinfo=BooklistItem()
        basic_info=response.xpath('//*[@id="Container"]/div[6]/div[1]/div[2]/div[1]/div[2]')
        bookinfo['name']=basic_info.xpath('div[1]/text()').extract()[0].strip()
        bookinfo['author']=basic_info.xpath('div[2]/text()').extract()[0].strip()
        bookinfo['publisher']=basic_info.xpath('div[3]/text()').extract()[0].strip()
        bookinfo['editor_date']=basic_info.xpath('div[4]/text()').extract()[0].strip()
        bookinfo['description']=response.xpath('//*[@id="ctl00_ContentPlaceHolder1_pnlIntroBook"]/div[2]/text()').extract()[0].strip()
        yield bookinfo

parse函数中的“for循环”处理“下一页”的link(下图所示)

scrapy (2)下载图片及存储信息

parse_page函数负责解析每一页书单中 各item 标题的link(如下图所示)

scrapy (2)下载图片及存储信息

parse_bookdetail 负责解析每本书的详细属性及内容(如下图所示)

scrapy (2)下载图片及存储信息


4、运行项目

1
scrapy crawl booklist -o book-info.csv

上例中将抓取的信息通过yield返回给item中的各字段,然后再通过 output 选项 存储到 book-info.csv 文件中。


例2:scrapy下载图片,并将抓取信息存储到指定位置(文件、mysql、mongodb)

创建项目(下载图片)

1
2
bogon:scrapy yuanjicai$ scrapy startproject bookinfo
bogon:douban_booklist yuanjicai$ cd bookinfo/

cat bookinfo/items.py   #在item中定义抓取的各字段名,并定义image_urls、image_paths

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class BookinfoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    author = scrapy.Field()
    publisher = scrapy.Field()
    price = scrapy.Field()
    rating = scrapy.Field()
    editor_date = scrapy.Field()
    images = scrapy.Field()
    image_urls = scrapy.Field()
    image_paths = scrapy.Field()

vim bookinfo/settings.py    #通过settings指定抓取时使用的header、agent、pipeline、图片或文件保存的位置、img过期时间、mysql用户名/密码/端口、mongo用户名/密码/端口

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
grep -E -v '^(#|$)' bookinfo/settings.py
BOT_NAME = 'bookinfo'
SPIDER_MODULES = ['bookinfo.spiders']
NEWSPIDER_MODULE = 'bookinfo.spiders'
ROBOTSTXT_OBEY = True
#from faker import Factory
#f = Factory.create()
#USER_AGENT = f.user_agent()
DEFAULT_REQUEST_HEADERS = {
    'Accept''text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding''gzip, deflate, br',
    'Accept-Language''zh-CN,zh;q=0.9,en;q=0.8',
    'Connection''keep-alive',
    'User-Agent''Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
}
ITEM_PIPELINES = {
    #'bookinfo.pipelines.BookinfoStoreMysqlPipeline': 200,
    #'bookinfo.pipelines.BookinfoStoreFilePipeline': 200,
    'bookinfo.pipelines.BookinfoStoreMongoPipeline': 200,
    'bookinfo.pipelines.BookImgsDLPipeline': 300,
}
IMAGES_STORE = '/Users/yuanjicai/Downloads/bookinfo'
IMAGES_EXPIRES = 90
#IMAGES_MIN_HEIGHT = 100
#IMAGES_MIN_WIDTH = 100
#IMAGES_THUMBS = {  
#    'small': (50, 50),  
#    'big': (270, 270),  
#}  
MYSQL_HOST = '10.18.101.104'
MYSQL_DBNAME = 'book'
MYSQL_USER = 'root'
MYSQL_PASSWD = '123'
MYSQL_PORT = 3306
MONGODB_HOST = '10.18.101.104'
MONGODB_PORT = 27017
MONGODB_DB = 'book'
MONGODB_COLLECTION = 'bookinfo'

1)爬取一个Item,将图片的URLs放入image_urls字段

2)从Spider返回的Item,传递到Item Pipeline

3)当Item传递到ImagePipeline,将调用Scrapy 调度器和下载器完成image_urls中的url的调度和下载。ImagePipeline会自动高优先级抓取这些url,于此同时,item会被锁定直到图片抓取完毕才被解锁。

4)图片下载成功结束后,图片下载路径、url和校验和等信息会被填充到images字段中。


cat bookinfo/spiders/bookinfo_spider.py   #实现抓取内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# -*- coding: utf-8 -*-
import scrapy
import re
from bookinfo.items import BookinfoItem
class bookinfoSpider(scrapy.Spider):
    name = "bookinfo"
    start_urls = "https://book.douban.com/top250" ]
    def parse(self,response):
        yield scrapy.Request(response.url,callback=self.parse_page)
        for page_url in response.xpath('//div[@class="paginator"]/a/@href').extract():
            yield scrapy.Request(page_url,callback=self.parse_page)
    def parse_page(self,response):
        for item in response.xpath('//div[@class="article"]/div[1]/table/tr[1]'):
            bookinfo=BookinfoItem()  #在for循环内实例化在item中定义的各字段,抓取每个item使用一个新的bookinfo空间,相互不影响
            bookinfo['name']=item.xpath("td[2]/div[1]/a/text()").extract()[0].strip()
            bookinfo['price']=item.xpath("td[2]/p/text()").extract()[0].strip().split("/")[-1]
            bookinfo['editor_date']=item.xpath("td[2]/p/text()").extract()[0].strip().split("/")[-2]
            bookinfo['publisher']=item.xpath("td[2]/p/text()").extract()[0].strip().split("/")[-3]
            bookinfo['author']=item.xpath("td[2]/p/text()").extract()[0].strip().split("/")[-4]
            bookinfo['rating']=item.xpath("td[2]/div[2]/span[2]/text()").extract()[0]
            bookinfo['image_urls']=item.xpath("td[1]/a/img/@src").extract_first()
            yield bookinfo

scrapy (2)下载图片及存储信息

cat bookinfo/pipelines.py   #由pipeline中定义的类、方法保存抓取的信息及图片

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
# -*- 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.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.conf import settings   #导入settings 是为了在pipeline中调用setting中定义的各DB参数  
import scrapy
import codecs
import json
import pymysql
import pymongo
#通过以下pipeline使用pymysql连接并写入mysql server  
class BookinfoStoreMysqlPipeline(object):
    def __init__(self):
        pass
    def dbHandle(self):
        conn = pymysql.connect(host='10.18.101.104', db='book', user='root', passwd='123', charset='utf8')
        return conn
    def process_item(self,item,spider):
        conn=self.dbHandle()
        cursor=conn.cursor()
        insert_sql = 'insert into bookinfo(name,author,publisher,url) VALUES (%s,%s,%s,%s)'
        try:
            cursor.execute(insert_sql,(item["name"],item["author"],item["publisher"],item["image_urls"]))
            conn.commit()
        except:
            conn.rollback()
        conn.close()
        return item
    def spider_close(self,spider):
        pass
#通过以下pipeline使用json.dumps形式将返回的数据写入指定json文件中   
class BookinfoStoreFilePipeline(object):
    def __init__(self):
        self.file=codecs.open('bookinfo.json','w',encoding='utf-8')
    def process_item(self,item,spider):
        line = json.dumps(dict(item),ensure_ascii=False+ "\n"
        self.file.write(line)
        return item
    def spider_colse(self,spider):
        self.file.close()
#通过以下pipeline使用pymongo形式将返回的数据写入mongodb中
class BookinfoStoreMongoPipeline(object):
    def __init__(self):
        conn=pymongo.MongoClient(settings['MONGODB_HOST'],settings['MONGODB_PORT'])
        db=conn[settings['MONGODB_DB']]
        self.collection = db[settings['MONGODB_COLLECTION']]
    def process_item(self,item,spider):
        self.collection.insert(dict(item))
        return item
    def spider_colse(self,spider):
        conn.close()
#通过以下pipeline下载抓取过程中存储在image_urls字段的图片  
class BookImgsDLPipeline(ImagesPipeline):
    default_headers = {
        'accept''image/webp,image/*,*/*;q=0.8',
        'accept-encoding''gzip, deflate, sdch, br',
        'accept-language''zh-CN,zh;q=0.8,en;q=0.6',
        'referer''https://book.douban.com/top250/',
        'user-agent''Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
    }
    def get_media_requests(self,item,info):
        self.default_headers['referer'= item['image_urls']
        yield scrapy.Request(item['image_urls'], headers=self.default_headers, meta={'bookname':item['name']})
        #将每个bookname附加在meta中传递给下一个函数处理
    def file_path(self,request,response=None,info=None):
        bookname=request.meta['bookname']
        image_guid = bookname+'_'+request.url.split('/')[-1]  #自定义保存图片的名称
        filename = 'full/%s' % (image_guid)
        return filename
    def item_completed(self,results,item,info):
        image_paths = [ value['path'for ok, value in results if ok ]
        if not image_paths:
            raise DropItem("Item contains no images")
        item['image_paths'= image_paths[0]
        item['images'= [ value for ok, value in results if ok ]
        return item

说明:result字典值的格式如下所示:

[(True, {'url': 'https://img3.doubanio.com/mpic/s26012674.jpg', 'path': 'full/b8700497fc0014c87e085747c89476e12162c518.jpg', 'checksum': '4da0defa1ec30229ce724d691f694ad1'})]

Pipline 下载图片时,必须是一个继承ImagesPipeline父类的 类 ,该类必须在setting中调用 ;

ImagePipeline

需要在自定义的ImagePipeline类中重载的方法有:get_media_requests(item, info)和item_completed(results, items, info)

正如工作流程所示,Pipeline将从item中获取图片的URLs并下载它们,所以必须重载get_media_requests,并返回一个Request对象,这些请求对象将被Pipeline处理,当完成下载后,结果将发送到item_completed方法,这些结果为一个二元组的list,每个元祖的包含(success, image_info_or_failure)。 success: boolean值,true表示成功下载 ;如果success=true,image_info_or_error词典包含以下键值对:

     url:原始URL 

     path:本地存储路径 

     checksum:校验码










本文转自 meteor_hy 51CTO博客,原文链接:http://blog.51cto.com/caiyuanji/2043901,如需转载请自行联系原作者
上一篇:《VMware Virtual SAN权威指南(原书第2版)》一3.5 可能发生的网络配置问题


下一篇:samba服务器的简单配置