19.网络爬虫—照片管道

news2024/10/7 11:20:35

网络爬虫—照片管道

Scrapy基础
Scrapy运行流程原理
- Scrapy的工作流程
scrapy照片管道
实战演示
- - 设置图片路径
  - 配置爬虫
  - 解析数据
  - 运行爬虫
  - 查看文件
后记

前言：
🏘️🏘️个人简介：以山河作礼。
🎖️🎖️:Python领域新星创作者，CSDN实力新星认证
📝📝第一篇文章《1.认识网络爬虫》获得全站热榜第一，python领域热榜第一。
🧾 🧾第四篇文章《4.网络爬虫—Post请求(实战演示)》全站热榜第八。
🧾 🧾第八篇文章《8.网络爬虫—正则表达式RE实战》全站热榜第十二。
🧾 🧾第十篇文章《10.网络爬虫—MongoDB详讲与实战》全站热榜第八，领域热榜第二
🧾 🧾第十三篇文章《13.网络爬虫—多进程详讲(实战演示)》全站热榜第十二。
🧾 🧾第十四篇文章《14.网络爬虫—selenium详讲》测试领域热榜第二十。
🧾 🧾第十六篇文章《网络爬虫—字体反爬(实战演示)》全站热榜第二十五。
🎁🎁《Python网络爬虫》专栏累计发表十八篇文章，上榜七篇。欢迎免费订阅！欢迎大家一起学习，一起成长！！
💕💕悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

Scrapy基础

🧾 🧾Scrapy是一个用于爬取网站数据和提取结构化数据的Python应用程序框架。Scrapy的设计是用于Web爬虫，也可以用于提取数据和自动化测试。

Scrapy提供了一个内置的HTTP请求处理器，可以通过编写自定义的中间件来扩展其功能。Scrapy使用Twisted事件驱动框架，可以同时处理数千个并发请求。

🧾 Scrapy的主要组件包括：

ScrapyEngine(引擎)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器)：它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到Responses交还给ScrapyEngine(引擎)，由引擎交给Spider来处理。
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)。
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
Downloader Middlewares（下载中间件）：一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

Scrapy运行流程原理

在这里插入图片描述

Scrapy的工作流程

1.引擎从爬虫的起始URL开始，发送请求至调度器。

2.调度器将请求放入队列中，并等待下载器处理。

3.下载器将请求发送给网站服务器，并下载网页内容。

4.下载器将下载的网页内容返回给引擎。

5.引擎将下载的网页内容发送给爬虫进行解析。

6.爬虫解析网页内容，并提取需要的数据。

7.管道将爬虫提取的数据进行处理，并保存到本地文件或数据库中。

scrapy照片管道

Scrapy是一个Python编写的高效的Web抓取框架，主要用于抓取网站信息并将其存储到数据库或其他存储介质中。Scrapy框架中有一个强大的下载器管道系统，可以通过编写自定义管道来处理下载的网页内容。

下面是一个简单的Scrapy照片管道的实现代码示例：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem

class PhotoPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            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")
        item['image_paths'] = image_paths
        return item

这个照片管道是通过重写Scrapy自带的ImagesPipeline类实现的。首先，我们重写了get_media_requests()方法，用于将每个待下载照片的URL构造成一个请求对象，交由Scrapy下载器下载照片。接着，我们重写了item_completed()方法，用于处理下载完成的照片并将其存储到本地磁盘，最后返回照片的本地文件路径。

在运行Scrapy时，我们需要在settings.py文件中添加以下配置：

ITEM_PIPELINES = {'my_project_name.pipelines.PhotoPipeline': 1}
IMAGES_STORE = 'path_to_save_images'

其中，my_project_name.pipelines是指我们自定义的管道所在的模块和文件名，path_to_save_images是指下载的照片保存的本地路径。在运行时，Scrapy框架会自动调用我们编写的照片管道，并将下载的照片保存到指定的本地路径中。

实战演示

🎯我们本次实战目的是爬取站长素材的风景照片
在这里插入图片描述
🎯按照之前我们学过的流程，先创建项目，接着创建爬虫。如果有不会的可以看我之前的文章帮助理解学习。《网络爬虫—Scrapy入门与实战》

设置图片路径

setting.py 中添加存储路径的变量

IMAGES_STORE = 'D:\\img\\'

在这里插入图片描述

配置爬虫

🎯接着我们来配置爬虫
在这里插入图片描述

解析数据

🎯接着我们对爬取的数据进行解析，拿到我们需要的照片的url：

 def parse(self, response, *_):
        item = ZhanDataItem()
        img_url = response.xpath('//img[@class="lazy"]/@data-original')
        item['image_urls'] = ['https:' + url.replace("_s.jpg", ".jpg") for url in img_url.extract()]

首先我们创建了一个ZhanDataItem对象，用于存储从网页中解析出来的数据。接着，我们使用XPath表达式从网页响应response中提取了所有class属性为"lazy"的图片节点的data-original属性，即该图片的原始URL。这个img_url变量的类型是一个XPath对象，我们需要使用extract()方法将其转换为一个数组。

接着，我们使用一个列表推导式将每个原始URL进行替换和处理，得到最终可以下载的照片URL。具体来说，我们将每个原始URL中的"_s.jpg"替换为".jpg"，然后添加"https:"作为协议前缀作为最终的下载链接。最后，我们将生成的照片链接列表赋值给item对象中的'image_urls'属性，该属性会在后续的Scrapy下载器中被自动处理并下载照片。

🎯我们本次实战使用的是scrapy自带的管道来爬取照片

爬虫中传递的参数名称(必须要是此名称传入，传入一个由多个链接组成的列表对象)

scrapy.pipelines.images.ImagesPipeline 设置中管道需要修改为scrapy管道类

在这里插入图片描述