1. 最常见爬取图片方法
对于图片爬取,最容易想到的是通过urllib
库或者requests
库实现。具体两种方法的实现如下:
1.1 urllib
使用urllib.request.urlretrieve
方法,通过图片url和存储的名称完成下载。
'''
Signature: request.urlretrieve(url, filename=None, reporthook=None, data=None)
Docstring:
Retrieve a URL into a temporary location on disk.
Requires a URL argument. If a filename is passed, it is used as
the temporary file location. The reporthook argument should be
a callable that accepts a block number, a read size, and the
total file size of the URL target. The data argument should be
valid URL encoded data.
If a filename is passed and the URL points to a local resource,
the result is a copy from local file to new file.
Returns a tuple containing the path to the newly created
data file as well as the resulting HTTPMessage object.
File: ~/anaconda/lib/python3.6/urllib/request.py
Type: function
'''
参数 finename 指定了保存本地路径(如果参数未指定,urllib会生成一个临时文件保存数据。)
参数 reporthook 是一个回调函数,当连接上服务器、以及相应的数据块传输完毕时会触发该回调,我们可以利用这个回调函数来显示当前的下载进度。
参数 data 指 post 到服务器的数据,该方法返回一个包含两个元素的(filename, headers)元组,filename 表示保存到本地的路径,header 表示服务器的响应头。
使用示例:
request.urlretrieve('https://img3.doubanio.com/view/photo/photo/public/p454345512.jpg', 'kids.jpg')
但很有可能返回403错误(Forbidden),如:http://www.qnong.com.cn/uploa...。Stack Overflow指出原因:This website is blocking the user-agent used by urllib, so you need to change it in your request.
给urlretrieve加上User-Agent还挺麻烦,方法如下:
import urllib
opener = request.build_opener()
headers = ('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:53.0) Gecko/20100101 Firefox/53.0')
opener.addheaders = [headers]
request.install_opener(opener)
request.urlretrieve('http://www.qnong.com.cn/uploadfile/2016/0416/20160416101815887.jpg', './dog.jpg')
1.2 requests
使用requests.get()
获取图片,但要将参数stream
设为True
。
import requests
req = requests.get('http://www.qnong.com.cn/uploadfile/2016/0416/20160416101815887.jpg', stream=True)
with open('dog.jpg', 'wb') as wr:
for chunk in req.iter_content(chunk_size=1024):
if chunk:
wr.write(chunk)
wr.flush()
requests添加User-Agent也很方便,使用headers参数即可。
2. Scrapy 支持的方法
2.1 ImagesPipeline
Scrapy 自带 ImagesPipeline 和 FilePipeline 用于图片和文件下载,最简单使用 ImagesPipeline 只需要在 settings 中配置。
# settings.py
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 500
}
IMAGES_STORE = 'pictures' # 图片存储目录
IMAGES_MIN_HEIGHT = 400 # 小于600*400的图片过滤
IMAGES_MIN_WIDTH = 600
# items.py
import scrapy
class PictureItem(scrapy.Item):
image_urls = scrapy.Field()
# myspider.py
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import BeePicture
class PicSpider(CrawlSpider):
name = 'pic'
allowed_domains = ['qnong.com.cn']
start_urls = ['http://www.qnong.com.cn/']
rules = (
Rule(LinkExtractor(allow=r'.*?', restrict_xpaths=('//a[@href]')), callback='parse_item', follow=True),
)
def parse_item(self, response):
for img_url in response.xpath('//img/@src').extract():
item = PictureItem()
item['image_urls'] = [response.urljoin(img_url)]
yield item
2.2 自定义 Pipeline
默认情况下,使用ImagePipeline组件下载图片的时候,图片名称是以图片URL的SHA1值进行保存的。
如:
图片URL: http://www.example.com/image.jpg
SHA1结果:3afec3b4765f8f0a07b78f98c07b83f013567a0a
则图片名称:3afec3b4765f8f0a07b78f98c07b83f013567a0a.jpg
想要以自定义图片文件名需要重写 ImagesPipeline 的file_path
方法。参考:https://doc.scrapy.org/en/lat...。
# settings.py
ITEM_PIPELINES = {
'qnong.pipelines.MyImagesPipeline': 500,
}
# items.py
import scrapy
class PictureItem(scrapy.Item):
image_urls = scrapy.Field()
images = scrapy.Field()
image_paths = scrapy.Field()
# myspider.py
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import BeePicture
class PicSpider(CrawlSpider):
name = 'pic'
allowed_domains = ['qnong.com.cn']
start_urls = ['http://www.qnong.com.cn/']
rules = (
Rule(LinkExtractor(allow=r'.*?', restrict_xpaths=('//a[@href]')), callback='parse_item', follow=True),
)
def parse_item(self, response):
for img_url in response.xpath('//img/@src').extract():
item = PictureItem()
item['image_urls'] = [response.urljoin(img_url)]
yield item
# pipelines.py
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
import scrapy
class MyImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for img_url in item['image_urls']:
yield scrapy.Request(img_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
def file_path(self, request, response=None, info=None):
image_guid = request.url.split('/')[-1]
return 'full/%s' % (image_guid)
2.3 FilesPipeline 和 ImagesPipeline 工作流程
FilesPipeline
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。
ImagesPipeline
在一个爬虫里,你抓取一个项目,把其中图片的 URL 放入 images_urls 组内。
项目从爬虫内返回,进入项目管道。
当项目进入 Imagespipeline,images_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(images)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 images_urls 组获得)和图片的校验码(checksum)。 images 列表中的文件顺序将和源 images_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 images 组中。
Scrapy 不仅可以下载图片,还可以生成指定大小的缩略图。
Pillow 是用来生成缩略图,并将图片归一化为 JPEG/RGB 格式,因此为了使用图片管道,你需要安装这个库。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。