scrapy爬虫学习系列五：图片的抓取和下载

系列文章列表：

scrapy爬虫学习系列一：scrapy爬虫环境的准备：　　     http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_007_scrapy01.html

scrapy爬虫学习系列二：scrapy简单爬虫样例学习：　　http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_007_scrapy02.html

scrapy爬虫学习系列三：scrapy部署到scrapyhub上：　  http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_004_scrapyhub.html

scrapy爬虫学习系列四：portia的学习入门：　　　　　  http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_010_scrapy04.html

scrapy爬虫学习系列五：图片的抓取和下载：                 http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_011_scrapy05.html

scrapy爬虫学习系列六：官方文档的学习：                     https://github.com/zhaojiedi1992/My_Study_Scrapy

 注意： 我自己新建的一个QQ群（新建的）,欢迎大家加入一起学习一起进步 ，群号646187336 

这篇文章主要对一个车标网（http://car.bitauto.com/qichepinpai）的图片进行抓取，并按照图片的alt属性值去设置输出图片命名。

本文的最终源码下载地址（github）：https://github.com/zhaojiedi1992/caricon

1.创建工程和爬虫

C:UsersAdministrator>e:


E:>cd scrapytest

E:scrapytest>scrapy startproject caricon
New Scrapy project 'caricon', using template directory 'C:\Program Files\Anaconda3\lib\site-packages\scrapy\templa
tes\project', created in:
    E:scrapytestcaricon

You can start your first spider with:
    cd caricon
    scrapy genspider example example.com

E:scrapytest>cd caricon

E:scrapytestcaricon>scrapy genspider car car.bitauto.com/qichepinpai
Created spider 'car' using template 'basic' in module:
  caricon.spiders.car

4.修改item

添加字段，修改后为如下内容：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class CariconItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    image_urls = scrapy.Field()
    images = scrapy.Field()
    alt = scrapy.Field()

• image_urls ： 作为项目的图片网址（需要我们指定url）。
• images ：下载的影像信息（这个字段不是我们填充的）。

注意： 上面的alt字段是我自己加的，image_urls ，images这2个字段是请求图片的默认字段，必须要有的，建议使用默认字段。你要是喜欢折腾可以参考这个网址：https://docs.scrapy.org/en/latest/topics/media-pipeline.html#usage-example

3.修改爬虫

这里我们先使用火狐浏览器的Firefinder插件找找我们需要提取的图片，图片如下：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


class CariconPipeline(object):
    def process_item(self, item, spider):
        return item
from scrapy.contrib.pipeline.images import ImagesPipeline
from scrapy.http import Request
from scrapy.exceptions import DropItem
import os

class MyImagesPipeline(ImagesPipeline):
    def file_path(self, request, response=None, info=None):
        #url_file_name= request.url.split('/')[-1]
        #image_guid = hashlib.sha1(to_bytes(url)).hexdigest()
        alt_name=request.meta["alt"]
        return 'full/%s%s' % (alt_name, os.path.splitext(request.url)[-1])

    def get_media_requests(self, item, info):
        yield Request(item["image_urls"][0], meta={'alt':item["alt"]})

代码简介：通常我们使用官方的那个imagepipeline导出的文件是SHA1 hash 你的url作为文件名，很难区别啊，这里使用到了request方法的meta参数，把我们的图片的alt属性传递过去，这样我们返回文件名的时候就可以使用这个alt的名字来区别了。（但是如果alt重复又替换了原来的图片的）

注意，firefinder这个插件依赖与firebug的，你可以在你的浏览器找类似firefinder的工具。

6.修改setttings.py文件

修改下面片段为如下内容：

ITEM_PIPELINES = {
    'caricon.pipelines.MyImagesPipeline': 300,
}

IMAGES_STORE = r'e:testpic'

当然我们这里可以使用官方的imagepipeline（scrapy.pipelines.images.ImagesPipeline）

6.运行爬虫

E:scrapytestcaricon>scrapy crawl car

7.查看结果