Scrapy爬取天天美剧封面照及剧集下载地址

其实我只是想试试爬取图片而已,先看看网页，需要爬的地方有两个，一是封面图，二是下载地址，挺简单的

Item定义：

import scrapy

class TiantianmeijuItem(scrapy.Item):
    name = scrapy.Field()
    image_urls = scrapy.Field()
    images = scrapy.Field()
    image_paths = scrapy.Field()
    episode = scrapy.Field()
    episode_url = scrapy.Field()

name是保存名字

image_urls和images 是爬取图片的pipeline用的，一个是保存图片URL，一个是保存图片存放信息

image_paths其实没什么实际作用，只是记录下载成功的图片地址

epiosde和episode_url是保存集数和对应下载地址

Spider：

import scrapy
from tiantianmeiju.items import TiantianmeijuItem 
import sys
reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入
sys.setdefaultencoding(‘utf-8‘)

class CacthUrlSpider(scrapy.Spider):
    name = ‘meiju‘
    allowed_domains = [‘cn163.net‘]
    start_urls = ["http://cn163.net/archives/{id}/".format(id=id) for id in [‘16355‘, ‘13470‘, ‘18766‘, ‘18805‘]]
            
    def parse(self, response):
        item = TiantianmeijuItem()
        item[‘name‘] = response.xpath(‘//*[@id="content"]/div[2]/div[2]/h2/text()‘).extract()
        item[‘image_urls‘] = response.xpath(‘//*[@id="entry"]/div[2]/img/@src‘).extract()
        item[‘episode‘] = response.xpath(‘//*[@id="entry"]/p[last()]/a/text()‘).extract()
        item[‘episode_url‘] = response.xpath(‘//*[@id="entry"]/p[last()]/a/@href‘).extract()
        yield item

页面比较简单

Pipelines：这里写了两个管道，一个是把下载链接保存到文件，一个是下载图片

import json
import os
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.http import Request
from settings import IMAGES_STORE

class TiantianmeijuPipeline(object):
    def process_item(self, item, spider):
        return item
    
    
class WriteToFilePipeline(object):  
    def process_item(self, item, spider):
        item = dict(item)
        FolderName = item[‘name‘][0].replace(‘/‘, ‘‘)  
        downloadFile = ‘download_urls.txt‘
        with open(os.path.join(IMAGES_STORE, FolderName, downloadFile), ‘w‘) as file:
            for name,url in zip(item[‘episode‘], item[‘episode_url‘]):
                file.write(‘{name}: {url}\n‘.format(name=name, url=url))
        return item
    
class MyImagesPipeline(ImagesPipeline):  
    def get_media_requests(self, item, info):
        for image_url in item[‘image_urls‘]:
            yield Request(image_url, meta={‘item‘: item})
              
    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):
        item = request.meta[‘item‘]
        FolderName = item[‘name‘][0].replace(‘/‘, ‘‘)
        image_guid = request.url.split(‘/‘)[-1]
        filename = u‘{}/{}‘.format(FolderName, image_guid)
        return filename

get_media_requests和item_completed，因为默认的图片储存路径是

<IMAGES_STORE>/full/3afec3b4765f8f0a07b78f98c07b83f013567a0a.jpg，

我需要把full改成以美剧名字目录来保存，所以重写了file_path

settings打开pipelines相关配置：

ITEM_PIPELINES = {
    ‘tiantianmeiju.pipelines.WriteToFilePipeline‘: 2,
    ‘tiantianmeiju.pipelines.MyImagesPipeline‘: 1,
}
IMAGES_STORE = os.path.join(os.getcwd(), ‘image‘)   # 图片存储路径
IMAGES_EXPIRES = 90
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110

爬下来之后就是这个效果了：