Scrapy爬取美女图片

      今天咱们说的是爬虫框架。之前我使用python爬取慕课网的视频，是根据爬虫的机制，自己手工定制的，感觉没有那么高大上，所以我最近玩了玩 python中强大的爬虫框架Scrapy。

    

      Scrapy是一个用 Python 写的 Crawler Framework ，简单轻巧，并且非常方便。Scrapy 使用 Twisted 这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

　　绿线是数据流向，首先从初始 URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider 分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到 Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

　　   简要介绍了Scrapy的工作流程，咱们开始直奔主题，使用Scrapy爬取美女图片。

       大家注意今天不是讲Scrapy基础教程，咱们在之后的七夜音乐台开发的时候会讲解。所以咱们今天直接上手。

      以 煎蛋网(http://jandan.net)为例:

　　  咱们来到煎蛋网首页，其中有一个栏目是妹子，今天的目标就是它。

 图片的分类是按页进行排列，咱们要爬取所有的图片需要模拟翻页。

  打开火狐中的firebug,审查元素。

　　

　　 这是咱们需要的图片链接，只要获取这个链接，进行下载就可以了。

　　咱们看看翻页后的链接是什么？？？

　　

　　　咱们只要解析出红线圈出的这个标签，就可以知道下一页的链接了，就是这么简单。好了，这时候就可以写代码了。。。

　　打开cmd，输入scrapy startproject jiandan,这时候会生成一个工程，然后我把整个工程复制到pycharm中(还是使用IDE开发快)。

上图就是工程的结构。

        jiandanSpider.py ------Spider 蜘蛛

        items.py -----------------对要爬取数据的模型定义

        pipelines.py-------------咱们最终要存储的数据

        settings.py----------------对Scrapy的配置

        接下来我把代码贴一下:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

jiandanSpider.py:   #coding:utf-8 import scrapy from jiandan.items import JiandanItem   from scrapy.crawler import CrawlerProcess   class jiandanSpider(scrapy.Spider):     name = 'jiandan'     allowed_domains = []     start_urls = ["http://jandan.net/ooxx"]           def parse(self, response):         item = JiandanItem()         item['image_urls'] = response.xpath('//img//@src').extract()#提取图片链接         # print 'image_urls',item['image_urls']         yield item         new_url= response.xpath('//a[@class="previous-comment-page"]//@href').extract_first()#翻页         # print 'new_url',new_url         if new_url:             yield scrapy.Request(new_url,callback=self.parse)

　　

1 2 3 4 5 6 7

items.py :   # -*- coding: utf-8 -*- import scrapy class JiandanItem(scrapy.Item):     # define the fields for your item here like:     image_urls = scrapy.Field()#图片的链接

　　

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

pipelines.py: # -*- coding: utf-8 -*-   import os import urllib   from jiandan import settings   class JiandanPipeline(object):       def process_item(self, item, spider):         dir_path = '%s/%s'%(settings.IMAGES_STORE,spider.name)#存储路径         print 'dir_path',dir_path         if not os.path.exists(dir_path):             os.makedirs(dir_path)         for image_url in item['image_urls']:             list_name = image_url.split('/')             file_name = list_name[len(list_name)-1]#图片名称             # print 'filename',file_name             file_path = '%s/%s'%(dir_path,file_name)             # print 'file_path',file_path             if os.path.exists(file_name):                 continue             with open(file_path,'wb') as file_writer:                 conn = urllib.urlopen(image_url)#下载图片                 file_writer.write(conn.read())             file_writer.close()         return item

　　

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

settings.py: # -*- coding: utf-8 -*-   # Scrapy settings for jiandan project # # For simplicity, this file contains only settings considered important or # commonly used. You can find more settings consulting the documentation: # #     http://doc.scrapy.org/en/latest/topics/settings.html #     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html #     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html   BOT_NAME = 'jiandan'   SPIDER_MODULES = ['jiandan.spiders'] NEWSPIDER_MODULE = 'jiandan.spiders'     ITEM_PIPELINES = {    'jiandan.pipelines.JiandanPipeline': 1, } IMAGES_STORE='E:' DOWNLOAD_DELAY = 0.25

　　

最后咱们开始运行程序，cmd切换到工程目录，

输入scrapy crawl jiandan，启动爬虫。。。

大约20分钟左右，爬虫工作结束。。。

咱们去看看美女图吧，居然有1.21G。。。

今天的分享就到这里，如果大家觉得还可以呀，记得打赏呦。