基于 Python 的 Scrapy 爬虫入门：图片处理

目录

• 基于 Python 的 Scrapy 爬虫入门：环境搭建
• 基于 Python 的 Scrapy 爬虫入门：页面提取
• 基于 Python 的 Scrapy 爬虫入门：图片处理

---

上篇文章中讲解了如何从网站页面抓取所需要的数据，很幸运范例中所需的数据是通过 Ajax 请求返回的 JSON 结构化数据，处理起来很简单，图片内容也只取了一个链接，对于我最初的目标“把这些图集添加到自己的博客站点中”这已经够了，说白了就是“盗链”嘛，如果有一天网站做了防盗链措施，那这些抄来的图集就都作废了，保险的方法就是把图片也下载到本地，再把图片链接替换为本地图片。

下载图片

下载图片有两种方式，一种是通过 Requests 模块发送 get 请求下载，另一种是使用 Scrapy 的 ImagesPipeline 图片管道类，这里主要讲后者。

安装 Scrapy 时并没有安装图像处理依赖包 Pillow，需手动安装否则运行爬虫出错。

首先在 settings.py 中设置图片的存储路径：

IMAGES_STORE = 'D:/'

图片处理相关的选项还有：

# 图片最小高度和宽度设置，可以过滤太小的图片
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110

# 生成缩略图选项
IMAGES_THUMBS = {
    'small': (50, 50),
    'big': (270, 270),
}

更多选项请参考：https://doc.scrapy.org/en/lat...

之前已经存在提取内容的 TuchongPipeline 类，如果使用 ImagePipeline 可以将提取内容的操作都合并过来，但是为了更好的说明图片管道的作用，我们再单独创建一个 ImagePipeline 类，加到 pipelines.py 文件中，同时重载函数 get_media_requests：

class PhotoGalleryPipeline(object):
    ...

class PhotoPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        for (id, url) in item['images'].items():
            yield scrapy.Request(url)

上篇文章中我们把图片的URL保存在了 item['images'] 中，它是一个字典类型的数组，形如：[{img_id: img_url}, ...]，此函数中需要把 img_url 取出并构建为 scrapy.Request 请求对象并返回，每一个请求都将触发一次下载图片的操作。

到 settings.py 中注册 PhotoPipeline，并把优先级设的比提取内容的管道要高一些，保证图片下载优先于内容处理，目的是如果有图片下载未成功，通过触发 DropItem 异常可以中断这一个 Item 的处理，防止不完整的数据进入下一管道：

ITEM_PIPELINES = {
    'Toutiao.pipelines.PhotoGalleryPipeline': 300,
    'Toutiao.pipelines.PhotoPipeline': 200,
}

执行爬虫 scrapy crawl photo ，如无错误，在设定的存储目录中会出现一个 full 目录，里面是下载后的图片。

文件名处理

下载的文件名是以图片URL通过 sha1 编码得到的字符，类似 0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太友好，可以通过重载 file_path 函数自定义文件名，比如可以这样保留原文件名：

...
    def file_path(self, request, response=None, info=None):
        file_name = request.url.split('/')[-1]
        return 'full/%s' % (file_name)
...

上面这样处理难免会有重名的文件被覆盖，但参数 request 中没有过多的信息，不便于对图片分类，因此可以改为重载 item_completed 函数，在下载完成后对图片进行分类操作。

函数 item_completed 的定义：

def item_completed(self, results, item, info)

参数中包含 item ，有我们抓取的所有信息，参数 results 为下载图片的结果数组，包含下载后的路径以及是否成功下载，内容如下：

[(True,
  {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
   'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
   'url': 'http://www.example.com/files/product1.pdf'}),
 (False,
  Failure(...))]

重载该函数将下载图片转移到分类目录中，同时关联文件路径到 item 中，保持内容与图片为一个整体：

def item_completed(self, results, item, info):
    image_paths = {x['url'].split('/')[-1]: x['path'] for ok, x in results if ok}
    if not image_paths:
        # 下载失败忽略该 Item 的后续处理
        raise DropItem("Item contains no files")
    else:
        # 将图片转移至以 post_id 为名的子目录中
        for (dest, src) in image_paths.items():
            dir = settings.IMAGES_STORE
            newdir = dir + os.path.dirname(src) + '/' + item['post_id'] + '/'
            if not os.path.exists(newdir):
                os.makedirs(newdir)
            os.rename(dir + src, newdir + dest)
    # 将保存路径保存于 item 中（image_paths 需要在 items.py 中定义）
    item['image_paths'] = image_paths
    return item

接下来在原 TuchongPipeline 类中写入数据库的操作中，通过 item['image_paths'] 路径信息写入本地图片链接。

除了 ImagesPipeline 处理图片外，还有 FilesPipeline 可以处理文件，使用方法与图片类似，事实上 ImagesPipeline 是 FilesPipeline 的子类，因为图片也是文件的一种。