本篇文章我们以360图片为例，介绍scrapy框架的使用以及图片数据的下载。
目标网站：http://images.so.com/z?ch=photography
思路：分析目标网站为ajax加载方式，通过构造目标url从而请求数据，将图片数据存储在本地，将图片的属性存储在mongodb中。
1、首先定义我们需要抓取的字段
class ImageItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
collection = ‘images‘ #代表mongodb的的集合名称
#下面四个字段分别是图片id，链接，标题，缩率图
id = Field()
url = Field()
title = Field()
thumb = Field()
2、构造我们要爬取的url；由于目标网站时ajax加载的，展示的数据在http://images.so.com/zj?ch=photography&sn=30&listtype=new&temp=1中以json的形式存储，不断的下拉页面之后，每次变化的参数只有sn，并且每次以30的增量增加，第一页sn=30，第二页为60，则sn和页码的关系为sn*30，所以我们可以构造出url
#定义起始需要爬取的url列表，首先从spider中发送给调度引擎
def start_requests(self):
data = {‘ch‘:‘photography‘,‘listtype‘:‘new‘,‘temp‘:1}
base_url = ‘http://images.so.com/zj?‘
for page in range(1,self.settings.get(‘MAX_PAGE‘) + 1): #MAX_PAGE以参数的形式在settings文件中配置
data[‘sn‘] = page * 30
url = base_url + urlencode(data)
yield Request(url,self.parse)
3、编写解析函数，返回的数据是json格式
#解析函数
def parse(self, response):
result = json.loads(response.text) #将JSON文本字符串转为JSON对象
for image in result.get(‘list‘):
item = ImageItem()
item[‘id‘] = image.get(‘imageid‘)
item[‘url‘] = image.get(‘qhimg_url‘)
item[‘title‘] = image.get(‘group_title‘)
item[‘thumb‘] = image.get(‘qhimg_thumb_url‘)
yield item
4、编写pipeline文件，将图片属性数据存入mongo，将图片存储到本地
import pymongofrom scrapy import Request
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
#定义了两个个Pipeline，分别为数据存储到mongodb，图片下载到本地
#在settings中定义Pipeline的执行顺序
class MongoPipeline(object):
def __init__(self,mongo_url,mongo_db):
self.mongo_url = mongo_url
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls,crawler):
return cls(
mongo_url=crawler.settings.get(‘MONGO_URL‘),
mongo_db=crawler.settings.get(‘MONGO_DB‘)
)
def open_spider(self,spider):
self.client = pymongo.MongoClient(self.mongo_url)
self.db = self.client[self.mongo_db]
def process_item(self, item, spider):
self.db[item.collection].insert(dict(item))
return item
def close(self,spider):
self.client.close()
class ImagesPipeline(ImagesPipeline):
def file_path(self,request,response=None,info=None):
url = request.url
file_name = url.split(‘/‘)[-1]
return file_name
def item_completed(self,results,item,info):
image_paths=[x[‘path‘] for ok,x in results if ok]
if not image_paths:
raise DropItem(‘Image Download Failed‘)
return item
def get_media_requests(self,item,info):
yield Request(item[‘url‘])
第一个为MongoPipeline，通过类方法from_crawler从settings文件中获取mongodb的配置信息，将蜘蛛文件中返回的item存入mongo数据库。
第二个为ImagesPipeline，scrapy提供了专门处理下载的Pipeline，包括文件下载和图片下载，下载过程支持异步和多线程，效率极高。
首先定义存储文件的路径，需要定义一个IMAGES_STORE变量，在settings文件中添加一行
IMAGES_STORE = ‘./images
我们将路径定义在当前路径下的images中，即下载的图片都会存储在这个文件夹中。
内置的ImagesPipeline会默认读取Item对象的image_urls字段，并认为该变量是一个列表，会遍历这个字段，然后取出url进行图片下载。
但是我们上面定义的模型可以看出，Item对象的图片连接并不是image_url，也不是列表形式的，而是单个url，所以为了实现下载，需要重写ImagePipeline，继承内置的ImagePileline，再次我们重写了三个方法，分别是
1）get_media_requests()：它的第一个参数item就是爬取生成的Item对象，我们将它的url取出来，直接生成Request对象返回，从而加入调度队列，等待被调度，执行下载。
2）file_path()：它的第一个参数request就是当前下载的Request对象，这个方法用来返回保存的文件名称，直接将图片链接的最后一部分当做文件名称即可。
3）item_completed()：它是当单个Item完成下载时的处理方法，因为并不是每张图片都会下载成功，所以需要分析下载结果并剔除下载失败的图片，该方法的第一个参数results就是该item对象的下载结果，它是一个列表的形式，列表的每一个元素都是一个元组，其中包含了下载成功或者失败的信息。
5、在settings中激活pipeline，并配置需要的配置项
ITEM_PIPELINES = {
‘images360.pipelines.ImagesPipeline‘: 300,
‘images360.pipelines.MongoPipeline‘: 301,
}
6、执行爬虫，获取数据即可。
scrapy crawl images
原文地址：https://www.cnblogs.com/lxbmaomao/p/10372065.html