scrapy 也能爬取妹子图？

　　前言

　　Media Pipeline

　　启用Media Pipeline

　　使用 ImgPipeline

　　抓取妹子图

　　瞎比比前言　　我们在抓取数据的过程中，除了要抓取文本数据之外，当然也会有抓取图片的需求。那我们的 scrapy 能爬取图片吗?答案是，当然的。说来惭愧，我也是上个月才知道，在 zone7 粉丝群中，有群友问 scrapy 怎么爬取图片数据?后来搜索了一下才知道。现在总结一下分享出来。

　　Media Pipeline

　　我们的 itempipeline 处理可以处理文字信息以外，还可以保存文件和图片数据，分别是 FilesPipeline 和 ImagesPipeline

　　Files Pipeline

　　避免重新下载最近已经下载过的数据

　　指定存储路径FilesPipeline的典型工作流程如下：

　　在一个爬虫里，你抓取一个项目，把其中图片的URL放入 file_urls 组内。

　　项目从爬虫内返回，进入项目管道。

　　当项目进入 FilesPipeline，file_urls 组内的URLs将被Scrapy的调度器和下载器(这意味着调度器和下载器的中间件可以复用)安排下载，当优先级更高，- - 会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成文件的下载(或者由于某些原因未完成下载)。

　　当文件下载完后，另一个字段(files)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址(从 file_urls 组获得)和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_urls 组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在 files 组中。Images Pipeline

　　避免重新下载最近已经下载过的数据

　　指定存储路径

　　将所有下载的图片转换成通用的格式(JPG)和模式(RGB)

　　缩略图生成

　　检测图像的宽/高，确保它们满足最小限制

　　启用Media Pipeline

　　# 同时启用图片和文件管道

　　ITEM_PIPELINES = { # 使用时，请修改成你自己的 ImgPipeline

　　'girlScrapy.pipelines.ImgPipeline': 1,

　　}

　　FILES_STORE = os.getcwd() + '/girlScrapy/file' # 文件存储路径

　　IMAGES_STORE = os.getcwd() + '/girlScrapy/img' # 图片存储路径

　　# 避免下载最近90天已经下载过的文件内容

　　FILES_EXPIRES = 90

　　# 避免下载最近90天已经下载过的图像内容

　　IMAGES_EXPIRES = 30

　　# 设置图片缩略图

　　IMAGES_THUMBS = {

　　'small': (50, 50),

　　'big': (250, 250),

　　}

　　# 图片过滤器，最小高度和宽度，低于此尺寸不下载

　　IMAGES_MIN_HEIGHT = 128

　　IMAGES_MIN_WIDTH = 128

　　需要说明的是，你下载的图片名最终会以图片 URL 的 hash 值命名，例如：

　　0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

　　最终的保存地址为：

　　your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

　　使用 ImgPipeline

　　这是我 demo 中的一个 ImgPipeline，里面重写了两个方法。

　　from scrapy.pipelines.images import ImagesPipeline

　　class ImgPipeline(ImagesPipeline):#继承 ImagesPipeline 这个类

　　def get_media_requests(self, item, info):

　　for image_url in item['image_urls']:

　　image_url = image_url

　　yield scrapy.Request(image_url)

　　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)

　　return item

　　分别是：

　　get_media_requests(self,item,info):item_completed(self,results,item,info):

　　get_media_requests(self, item, info):

　　在这里，我们可以获取到 parse 中解析的 item 值，因此我们可以获取到相应的图片地址。在这里返回一个 scrapy.Request(image_url) 去下载图片。

　　item_completed(self, results, item, info):

　　item 和 info 打印出来都是 url 地址列表。其中 results 打印出来是如下值。

　　# 成功

　　[(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',

　　'checksum': '98eb559631127d7611b499dfed0b6406',

　　'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]

　　# 错误

　　[(False,

　　Failure(...))]

　　ok，理论部分也讲完了，那我们来实践一下吧抓取妹子图

　　spider

　　spider 部分很简单，如下：

　　class GirlSpider(scrapy.spiders.Spider):

　　name = 'girl'

　　start_urls = [http://www.meizitu.com/a/3741.html]

　　def parse(self, response):

　　soup = BeautifulSoup(response.body, 'html5lib')

　　pic_list = soup.find('div', id=picture).find_all('img') # 找到界面所有图片

　　link_list = []

　　item = ImgItem()

　　for i in pic_list:

　　pic_link = i.get('src') # 拿到图片的具体 url

　　link_list.append(pic_link) # 提取图片链接

　　item['image_urls'] = link_list

　　print(item)

　　yield item

　　item

　　class ImgItem(scrapy.Item):

　　image_urls = scrapy.Field()#图片的链接

　　images = scrapy.Field()

　　ImgPipeline