scrapy 也能爬取妹子图?

时间:2023-01-04 16:04:20

  

scrapy 也能爬取妹子图?

  

scrapy 也能爬取妹子图?

  目录

  前言

  Media Pipeline

  启用Media Pipeline

  使用 ImgPipeline

  抓取妹子图

  瞎比比前言  我们在抓取数据的过程中,除了要抓取文本数据之外,当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗?答案是,当然的。说来惭愧,我也是上个月才知道,在 zone7 粉丝群中,有群友问 scrapy 怎么爬取图片数据?后来搜索了一下才知道。现在总结一下分享出来。

  Media Pipeline

  我们的 itempipeline 处理可以处理文字信息以外,还可以保存文件和图片数据,分别是 FilesPipeline 和 ImagesPipeline

  Files Pipeline

  避免重新下载最近已经下载过的数据

  指定存储路径FilesPipeline的典型工作流程如下:

  在一个爬虫里,你抓取一个项目,把其中图片的URL放入 file_urls 组内。

  项目从爬虫内返回,进入项目管道。

  当项目进入 FilesPipeline,file_urls 组内的URLs将被Scrapy的调度器和下载器(这意味着调度器和下载器的中间件可以复用)安排下载,当优先级更高,- - 会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态,直到完成文件的下载(或者由于某些原因未完成下载)。

  当文件下载完后,另一个字段(files)将被更新到结构中。这个组将包含一个字典列表,其中包括下载文件的信息,比如下载路径、源抓取地址(从 file_urls 组获得)和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_urls 组保持一致。如果某个图片下载失败,将会记录下错误信息,图片也不会出现在 files 组中。Images Pipeline

  避免重新下载最近已经下载过的数据

  指定存储路径

  将所有下载的图片转换成通用的格式(JPG)和模式(RGB)

  缩略图生成

  检测图像的宽/高,确保它们满足最小限制

  启用Media Pipeline

  # 同时启用图片和文件管道

  ITEM_PIPELINES = { # 使用时,请修改成你自己的 ImgPipeline

  'girlScrapy.pipelines.ImgPipeline': 1,

  }

  FILES_STORE = os.getcwd() + '/girlScrapy/file' # 文件存储路径

  IMAGES_STORE = os.getcwd() + '/girlScrapy/img' # 图片存储路径

  # 避免下载最近90天已经下载过的文件内容

  FILES_EXPIRES = 90

  # 避免下载最近90天已经下载过的图像内容

  IMAGES_EXPIRES = 30

  # 设置图片缩略图

  IMAGES_THUMBS = {

  'small': (50, 50),

  'big': (250, 250),

  }

  # 图片过滤器,最小高度和宽度,低于此尺寸不下载

  IMAGES_MIN_HEIGHT = 128

  IMAGES_MIN_WIDTH = 128

  需要说明的是,你下载的图片名最终会以图片 URL 的 hash 值命名,例如:

  0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

  最终的保存地址为:

  your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

  使用 ImgPipeline

  这是我 demo 中的一个 ImgPipeline,里面重写了两个方法。

  from scrapy.pipelines.images import ImagesPipeline

  class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类

  def get_media_requests(self, item, info):

  for image_url in item['image_urls']:

  image_url = image_url

  yield scrapy.Request(image_url)

  def item_completed(self, results, item, info):

  image_paths = [x['path'] for ok, x in results if ok]

  if not image_paths:

  raise DropItem(Item contains no images)

  return item

  分别是:

  get_media_requests(self,item,info):item_completed(self,results,item,info):

  get_media_requests(self, item, info):

  在这里,我们可以获取到 parse 中解析的 item 值,因此我们可以获取到相应的图片地址。在这里返回一个 scrapy.Request(image_url) 去下载图片。

  item_completed(self, results, item, info):

  item 和 info 打印出来都是 url 地址列表。其中 results 打印出来是如下值。

  # 成功

  [(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',

  'checksum': '98eb559631127d7611b499dfed0b6406',

  'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]

  # 错误

  [(False,

  Failure(...))]

  

scrapy 也能爬取妹子图?

  ok,理论部分也讲完了,那我们来实践一下吧抓取妹子图

  spider

  spider 部分很简单,如下:

  class GirlSpider(scrapy.spiders.Spider):

  name = 'girl'

  start_urls = [http://www.meizitu.com/a/3741.html]

  def parse(self, response):

  soup = BeautifulSoup(response.body, 'html5lib')

  pic_list = soup.find('div', id=picture).find_all('img') # 找到界面所有图片

  link_list = []

  item = ImgItem()

  for i in pic_list:

  pic_link = i.get('src') # 拿到图片的具体 url

  link_list.append(pic_link) # 提取图片链接

  item['image_urls'] = link_list

  print(item)

  yield item

  item

  class ImgItem(scrapy.Item):

  image_urls = scrapy.Field()#图片的链接

  images = scrapy.Field()

  ImgPipeline

  class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类

  def get_media_requests(self, item, info):

  for image_url in item['image_urls']:

  image_url = image_url

  yield scrapy.Request(image_url)

  def item_completed(self, results, item, info):

  image_paths = [x['path'] for ok, x in results if ok]

  if not image_paths:

  raise DropItem(Item contains no images)

  return item

  启动

  scrapy crawl girl

  最终爬取结果如下:

  

scrapy 也能爬取妹子图?

  今天的更新就到此结束啦,是不是 get 到了新技能?至于如何批量下载妹子图?这个,我相信妹子的颜值会驱使你完善这些代码,手动滑稽!!!