基于scrapy爬取字符串类型的数据和爬取图片类型的数据区别?
- 字符串:只需要基于xpath进行解析且提交管道进行持久化存储
- 图片:xpath解析出图片src的属性值,单独的对图片地址发起请求获取图片二进制类型的数据
ImagesPipeline:
只需要将img的src的属性值进行解析,提交到管道,管道就会对图片的src进行请求发送获取图片的二进制类型的数据,且还会帮我们进行持久化存储。
需求:爬取站长素材的高清图片
使用流程:
1、数据解析(图片的地址)
import scrapy
from imgsPro.items import ImgsproItem
class ImgSpider(scrapy.Spider):
name = 'img'
# allowed_domains = ['www.xxx.com']
start_urls = ['http://sc.chinaz.com/tupian/']
def parse(self, response):
div_list = response.xpath('//div[@id="container"]/div')
for div in div_list:
# src = div.xpath('.//div/a/img/@src').extract_first()
# 注意:使用伪属性
src = div.xpath('.//div/a/img/@src2').extract_first()
item = ImgsproItem()
item['src'] = src
yield item
import scrapy class ImgsproItem(scrapy.Item): # define the fields for your item here like: src = scrapy.Field()
2、将存储的图片地址的item提交到制定的管道类
3、在管道文件中自定制一个基于ImagesPipeline的一个管道类,并重写以下方法
- get_media_requests # 就是可以根据图片地址进行图片数据的请求
- file_path # 指定图片存储的路径
- item_completed # 返回给下一个即将被执行的管道类
from scrapy.pipelines.images import ImagesPipeline
import scrapy
class imagesPipeLine(ImagesPipeline):
# 就是可以根据图片地址进行图片数据的请求
def get_media_requests(self, item, info):
yield scrapy.Request(item['src'])
# 指定图片存储的路径
def file_path(self, request, response=None, info=None):
imgName = request.url.split('/')[-1]
return imgName
def item_completed(self, results, item, info):
return item # 返回给下一个即将被执行的管道类
4、在配置文件中
- 指定图片存储的目录:IMAGES_STORE = './imgs_me'
- 指定开启的管道:自定制的管道类
# 指定图片存储的目录,没有即自动创建
IMAGES_STORE = './imgs_me'
ITEM_PIPELINES = {
'imgsPro.pipelines.imagesPipeLine': 300,
}