基于 Python 的 Scrapy 爬蟲入門：圖片處理

william 發(fā)布于2019-07-31 11:01 / 1823人閱讀

基于 Python 的 Scrapy 爬蟲入門：環(huán)境搭建

基于 Python 的 Scrapy 爬蟲入門：頁面提取

上篇文章中講解了如何從網(wǎng)站頁面抓取所需要的數(shù)據(jù)，很幸運范例中所需的數(shù)據(jù)是通過 Ajax 請求返回的 JSON 結(jié)構(gòu)化數(shù)據(jù)，處理起來很簡單，圖片內(nèi)容也只取了一個鏈接，對于我最初的目標(biāo)“把這些圖集添加到自己的博客站點中”這已經(jīng)夠了，說白了就是“盜鏈”嘛，如果有一天網(wǎng)站做了防盜鏈措施，那這些抄來的圖集就都作廢了，保險的方法就是把圖片也下載到本地，再把圖片鏈接替換為本地圖片。

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),
}

更多選項請參考：https://doc.scrapy.org/en/lat...

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，我們再多帶帶創(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。