下載圖片
下載圖片有兩種方式,一種是通過 Requests 模塊發(fā)送 get 請求下載,另一種是使用 Scrapy 的 ImagesPipeline 圖片管道類,這里主要講后者。
安裝 Scrapy 時并沒有安裝圖像處理依賴包 Pillow,需手動安裝否則運行爬蟲出錯。
首先在 settings.py 中設(shè)置圖片的存儲路徑:
IMAGES_STORE = 'D:/'
圖片處理相關(guān)的選項還有:
# 圖片最小高度和寬度設(shè)置,可以過濾太小的圖片 IMAGES_MIN_HEIGHT = 110 IMAGES_MIN_WIDTH = 110 # 生成縮略圖選項 IMAGES_THUMBS = { 'small': (50, 50), 'big': (270, 270), }
之前已經(jīng)存在提取內(nèi)容的 TuchongPipeline 類,如果使用 ImagePipeline 可以將提取內(nèi)容的操作都合并過來,但是為了更好的說明圖片管道的作用,我們再單獨創(chuàng)建一個 ImagePipeline 類,加到 pipelines.py 文件中,同時重載函數(shù) 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)
上篇文章中我們把圖片的URL保存在了 item['images'] 中,它是一個字典類型的數(shù)組,形如:[{img_id: img_url}, ...],此函數(shù)中需要把 img_url 取出并構(gòu)建為 scrapy.Request 請求對象并返回,每一個請求都將觸發(fā)一次下載圖片的操作。
到 settings.py 中注冊 PhotoPipeline,并把優(yōu)先級設(shè)的比提取內(nèi)容的管道要高一些,保證圖片下載優(yōu)先于內(nèi)容處理,目的是如果有圖片下載未成功,通過觸發(fā) DropItem 異常可以中斷這一個 Item 的處理,防止不完整的數(shù)據(jù)進入下一管道:
ITEM_PIPELINES = { 'Toutiao.pipelines.PhotoGalleryPipeline': 300, 'Toutiao.pipelines.PhotoPipeline': 200, }
執(zhí)行爬蟲 scrapy crawl photo ,如無錯誤,在設(shè)定的存儲目錄中會出現(xiàn)一個 full 目錄,里面是下載后的圖片。
文件名處理
下載的文件名是以圖片URL通過 sha1 編碼得到的字符,類似 0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太友好,可以通過重載 file_path 函數(shù)自定義文件名,比如可以這樣保留原文件名:
... def file_path(self, request, response=None, info=None): file_name = request.url.split('/')[-1] return 'full/%s' % (file_name) ...
上面這樣處理難免會有重名的文件被覆蓋,但參數(shù) request 中沒有過多的信息,不便于對圖片分類,因此可以改為重載 item_completed 函數(shù),在下載完成后對圖片進行分類操作。
函數(shù) item_completed 的定義:
def item_completed(self, results, item, info)
參數(shù)中包含 item ,有我們抓取的所有信息,參數(shù) results 為下載圖片的結(jié)果數(shù)組,包含下載后的路徑以及是否成功下載,內(nèi)容如下:
[(True, {'checksum': '2b00042f7481c7b056c4b410d28f33cf', 'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg', 'url': 'http://www.example.com/files/product1.pdf'}), (False, Failure(...))]
重載該函數(shù)將下載圖片轉(zhuǎn)移到分類目錄中,同時關(guān)聯(lián)文件路徑到 item 中,保持內(nèi)容與圖片為一個整體:
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: # 下載失敗忽略該 Item 的后續(xù)處理 raise DropItem("Item contains no files") else: # 將圖片轉(zhuǎn)移至以 post_id 為名的子目錄中 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) # 將保存路徑保存于 item 中(image_paths 需要在 items.py 中定義) item['image_paths'] = image_paths return item
接下來在原 TuchongPipeline 類中寫入數(shù)據(jù)庫的操作中,通過 item['image_paths'] 路徑信息寫入本地圖片鏈接。
除了 ImagesPipeline 處理圖片外,還有 FilesPipeline 可以處理文件,使用方法與圖片類似,事實上 ImagesPipeline 是 FilesPipeline 的子類,因為圖片也是文件的一種。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯(lián)系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
