python爬蟲Scrapy框架:媒體管道原理學習分析
一、媒體管道
1.1、媒體管道的特性
媒體管道實現(xiàn)了以下特性:
- 避免重新下載最近下載的媒體
- 指定存儲位置(文件系統(tǒng)目錄,Amazon S3 bucket,谷歌云存儲bucket)
圖像管道具有一些額外的圖像處理功能:
- 將所有下載的圖片轉(zhuǎn)換為通用格式(JPG)和模式(RGB)
- 生成縮略圖
- 檢查圖像的寬度/高度,進行最小尺寸過濾
1.2、媒體管道的設置
ITEM_PIPELINES = {'scrapy.pipelines.images.ImagesPipeline': 120} 啟用 FILES_STORE = '/path/to/valid/dir' 文件管道存放位置 IMAGES_STORE = '/path/to/valid/dir' 圖片管道存放位置 FILES_URLS_FIELD = 'field_name_for_your_files_urls' 自定義文件url字段 FILES_RESULT_FIELD = 'field_name_for_your_processed_files' 自定義結(jié)果字段 IMAGES_URLS_FIELD = 'field_name_for_your_images_urls' 自定義圖片url字段 IMAGES_RESULT_FIELD = 'field_name_for_your_processed_images' 結(jié)果字段 FILES_EXPIRES = 90 文件過期時間 默認90天 IMAGES_EXPIRES = 90 圖片過期時間 默認90天 IMAGES_THUMBS = {'small': (50, 50), 'big':(270, 270)} 縮略圖尺寸 IMAGES_MIN_HEIGHT = 110 過濾最小高度 IMAGES_MIN_WIDTH = 110 過濾最小寬度 MEDIA_ALLOW_REDIRECTS = True 是否重定向
二、ImagesPipeline類簡介
#解析settings里的配置字段 def __init__(self, store_uri, download_func=None, settings=None) #圖片下載 def image_downloaded(self, response, request, info) #圖片獲取 圖片大小的過濾 #縮略圖的生成 def get_images(self, response, request, info) #轉(zhuǎn)化圖片格式 def convert_image(self, image, size=None) #生成媒體請求 可重寫 def get_media_requests(self, item, info) return [Request(x) for x in item.get(self.images_urls_field, [])] #得到圖片url 變成請求 發(fā)給引擎 #此方法獲取文件名 進行改寫 def item_completed(self, results, item, info) #文件路徑 def file_path(self, request, response=None, info=None) #縮略圖的存儲路徑 def thumb_path(self, request, thumb_id, response=None, info=None):
三、小案例:使用圖片管道爬取百度圖片
(當然不使用圖片管道的話也是可以爬取百度圖片的,但這還需要我們?nèi)シ治鼍W(wǎng)頁的代碼,還是有點麻煩,使用圖片管道就可以省去這個步驟了)
3.1、spider文件
注意:由于需要添加所有的請求頭,所以我們要重寫start_requests函數(shù)
import re import scrapy from ..items import DbimgItem class DbSpider(scrapy.Spider): name = 'db' # allowed_domains = ['xxx.com'] start_urls = ['https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=index&fr=&hs=0&xthttps=111110&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&word=%E7%8B%97&oq=%E7%8B%97&rsp=-1'] def start_requests(self): #因為需要添加所有的請求頭,所以我們要重寫start_requests函數(shù) # url = 'https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=index&fr=&hs=0&xthttps=111110&sf=1&fmq=&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&word=%E7%8B%97&oq=%E7%8B%97&rsp=-1' headers = { "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9", "Accept-Encoding": "gzip, deflate, br", "Accept-Language": "zh-CN,zh;q=0.9", "Cache-Control": "max-age=0", "Connection": "keep-alive", "Cookie": "BIDUPSID=4B61D634D704A324E3C7E274BF11F280; PSTM=1624157516; BAIDUID=4B61D634D704A324C7EA5BA47BA5886E:FG=1; __yjs_duid=1_f7116f04cddf75093b9236654a2d70931624173362209; BAIDUID_BFESS=101022AEE931E08A9B9A3BA623709CFE:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; cleanHistoryStatus=0; H_PS_PSSID=34099_33969_34222_31660_34226_33848_34113_34073_33607_34107_34134_34118_26350_22159; delPer=0; PSINO=6; BA_HECTOR=24ak842ka421210koq1gdtj070r; BDRCVFR[X_XKQks0S63]=mk3SLVN4HKm; userFrom=www.baidu.com; firstShowTip=1; indexPageSugList=%5B%22%E7%8B%97%22%2C%22%E7%8C%AB%E5%92%AA%22%2C%22%E5%B0%8F%E9%80%8F%E6%98%8E%22%5D; ab_sr=1.0.1_OGYwMTZiMjg5ZTNiYmUxODIxOTgyYTllZGMyMzhjODE2ZWE5OGY4YmEyZWVjOGZhOWIxM2NlM2FhZTQxMmFjODY0OWZiNzQxMjVlMWIyODVlZWFiZjY2NTQyMTZhY2NjNTM5NDNmYTFmZjgxMTlkOGYxYTUzYTIzMzA0NDE3MGNmZDhkYTBkZmJiMmJhZmFkZDNmZTM1ZmI2MWZkNzYyYQ==", "Host": "image.baidu.com", "Referer": "https://image.baidu.com/", "sec-ch-ua": '" Not;A Brand";v="99", "Google Chrome";v="91", "Chromium";v="91"', "sec-ch-ua-mobile": "?0", "Sec-Fetch-Dest": "document", "Sec-Fetch-Mode": "navigate", "Sec-Fetch-Site": "same-origin", "Sec-Fetch-User": "?1", "Upgrade-Insecure-Requests": "1", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36" } for url in self.start_urls: yield scrapy.Request(url,headers=headers,callback=self.parse,dont_filter=True) def parse(self, response): img_urls = re.findall('"thumbURL":"(.*?)"', response.text) # print(img_urls) item = DbimgItem() item['image_urls'] = img_urls yield item
3.2、items文件
import scrapy class DbimgItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() image_urls = scrapy.Field()
3.3、settings文件
ROBOTSTXT_OBEY = False #打開我們寫的管道 ITEM_PIPELINES = { # 'dbimg.pipelines.DbimgPipeline': 300, 'dbimg.pipelines.ImgPipe': 300, } #圖片存放位置 IMAGES_STORE = 'D:/python test/爬蟲/scrapy6/dbimg/imgs'
3.4、pipelines文件
import os from itemadapter import ItemAdapter from scrapy.pipelines.images import ImagesPipeline import settings """ def item_completed(self, results, item, info): with suppress(KeyError): ItemAdapter(item)[self.images_result_field] = [x for ok, x in results if ok] return item """ class ImgPipe(ImagesPipeline): num=0 #重寫此函數(shù)修改獲取的圖片的名字 不然圖片名稱就是一串數(shù)字字母 def item_completed(self, results, item, info): images_path = [x['path'] for ok, x in results if ok] #print('results: ',results) 先查看下results的數(shù)據(jù)格式,然后才能獲取到我們需要的值 for image_path in images_path: os.rename(settings.IMAGES_STORE + "/" + image_path, settings.IMAGES_STORE + "/" + str(self.num) + ".jpg") self.num += 1
結(jié)果:
以上就是python爬蟲Scrapy框架:媒體管道原理學習分析的詳細內(nèi)容,更多關(guān)于python爬蟲Scrapy框架的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
Django框架靜態(tài)文件使用/中間件/禁用ip功能實例詳解
這篇文章主要介紹了Django框架靜態(tài)文件使用/中間件/禁用ip功能,結(jié)合實例形式詳細分析了Django框架靜態(tài)文件的使用、中間件的原理、操作方法以及禁用ip功能相關(guān)實現(xiàn)技巧,需要的朋友可以參考下2019-07-07Python設計模式編程中Adapter適配器模式的使用實例
這篇文章主要介紹了Python設計模式編程中Adapter適配器模式的使用實例,一般來說適配器模式可以細分為類適配器和對象適配器模式,需要的朋友可以參考下2016-03-03Python本地cache不當使用導致內(nèi)存泄露的問題分析與解決
最近在項目開發(fā)中遇到了本地cache不當使用導致的一個內(nèi)存泄露問題,所以本文主要分析了問題出現(xiàn)的原因已經(jīng)解決方法,需要的小伙伴可以參考下2023-08-08使用Python開發(fā)個京東上搶口罩的小實例(僅作技術(shù)研究學習使用)
這篇文章主要介紹了使用Python開發(fā)個京東上搶口罩的小實例(僅作技術(shù)研究學習使用),需要的朋友可以參考下2020-03-03Django更新models數(shù)據(jù)庫結(jié)構(gòu)步驟
這篇文章主要介紹了Django更新models數(shù)據(jù)庫結(jié)構(gòu)的操作步驟,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04