Python中Scrapy爬虫图片处理详解


Posted in Python onNovember 29, 2017

下载图片

下载图片有两种方式,一种是通过 Requests 模块发送 get 请求下载,另一种是使用 Scrapy 的 ImagesPipeline 图片管道类,这里主要讲后者。

安装 Scrapy 时并没有安装图像处理依赖包 Pillow,需手动安装否则运行爬虫出错。

首先在 settings.py 中设置图片的存储路径:

IMAGES_STORE = 'D:/'

图片处理相关的选项还有:

# 图片最小高度和宽度设置,可以过滤太小的图片
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110

# 生成缩略图选项
IMAGES_THUMBS = {
 'small': (50, 50),
 'big': (270, 270),
}

之前已经存在提取内容的 TuchongPipeline 类,如果使用 ImagePipeline 可以将提取内容的操作都合并过来,但是为了更好的说明图片管道的作用,我们再单独创建一个 ImagePipeline 类,加到 pipelines.py 文件中,同时重载函数 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)

上篇文章中我们把图片的URL保存在了 item['images'] 中,它是一个字典类型的数组,形如:[{img_id: img_url}, ...],此函数中需要把 img_url 取出并构建为 scrapy.Request 请求对象并返回,每一个请求都将触发一次下载图片的操作。

到 settings.py 中注册 PhotoPipeline,并把优先级设的比提取内容的管道要高一些,保证图片下载优先于内容处理,目的是如果有图片下载未成功,通过触发 DropItem 异常可以中断这一个 Item 的处理,防止不完整的数据进入下一管道:

ITEM_PIPELINES = {
 'Toutiao.pipelines.PhotoGalleryPipeline': 300,
 'Toutiao.pipelines.PhotoPipeline': 200,
}

执行爬虫 scrapy crawl photo ,如无错误,在设定的存储目录中会出现一个 full 目录,里面是下载后的图片。

文件名处理

下载的文件名是以图片URL通过 sha1 编码得到的字符,类似 0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太友好,可以通过重载 file_path 函数自定义文件名,比如可以这样保留原文件名:

...
 def file_path(self, request, response=None, info=None):
  file_name = request.url.split('/')[-1]
  return 'full/%s' % (file_name)
...

上面这样处理难免会有重名的文件被覆盖,但参数 request 中没有过多的信息,不便于对图片分类,因此可以改为重载 item_completed 函数,在下载完成后对图片进行分类操作。

函数 item_completed 的定义:

def item_completed(self, results, item, info)

参数中包含 item ,有我们抓取的所有信息,参数 results 为下载图片的结果数组,包含下载后的路径以及是否成功下载,内容如下:

[(True,
 {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
 'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
 'url': 'http://www.example.com/files/product1.pdf'}),
 (False,
 Failure(...))]

重载该函数将下载图片转移到分类目录中,同时关联文件路径到 item 中,保持内容与图片为一个整体:

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:
  # 下载失败忽略该 Item 的后续处理
  raise DropItem("Item contains no files")
 else:
  # 将图片转移至以 post_id 为名的子目录中
  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)
 # 将保存路径保存于 item 中(image_paths 需要在 items.py 中定义)
 item['image_paths'] = image_paths
 return item

接下来在原 TuchongPipeline 类中写入数据库的操作中,通过 item['image_paths'] 路径信息写入本地图片链接。

除了 ImagesPipeline 处理图片外,还有 FilesPipeline 可以处理文件,使用方法与图片类似,事实上 ImagesPipeline 是 FilesPipeline 的子类,因为图片也是文件的一种。

Python 相关文章推荐
Python下线程之间的共享和释放示例
May 04 Python
python绘图方法实例入门
May 19 Python
Python语言实现机器学习的K-近邻算法
Jun 11 Python
python在ubuntu中的几种安装方法(小结)
Dec 08 Python
python 移动图片到另外一个文件夹的实例
Jan 10 Python
使用selenium模拟登录解决滑块验证问题的实现
May 10 Python
PyQt5显示GIF图片的方法
Jun 17 Python
ML神器:sklearn的快速使用及入门
Jul 11 Python
opencv+python实现均值滤波
Feb 19 Python
Python MySQLdb 执行sql语句时的参数传递方式
Mar 04 Python
找Python安装目录,设置环境路径以及在命令行运行python脚本实例
Mar 09 Python
python开发一款翻译工具
Oct 10 Python
Python使用django框架实现多人在线匿名聊天的小程序
Nov 29 #Python
Python实现的计数排序算法示例
Nov 29 #Python
Scrapy框架CrawlSpiders的介绍以及使用详解
Nov 29 #Python
pycharm下打开、执行并调试scrapy爬虫程序的方法
Nov 29 #Python
Python快速排序算法实例分析
Nov 29 #Python
Python3学习urllib的使用方法示例
Nov 29 #Python
Python实现的选择排序算法示例
Nov 29 #Python
You might like
使用PHP备份MySQL和网站发送到邮箱实例代码
2013/11/28 PHP
php冒泡排序、快速排序、快速查找、二维数组去重实例分享
2014/04/24 PHP
详解php反序列化
2020/06/10 PHP
jQuery学习笔记之jQuery选择器的使用
2010/12/22 Javascript
jQuery 对Select的操作备忘记录
2011/07/04 Javascript
网页右键ie不支持event.preventDefault和event.returnValue (需要加window)
2013/02/22 Javascript
下拉菜单点击实现连接跳转功能的js代码
2013/05/19 Javascript
jquery获取元素索引值index()示例
2014/02/13 Javascript
javascript实现类似超链接的效果
2014/12/26 Javascript
JavaScript常用的返回,自动跳转,刷新,关闭语句汇总
2015/01/13 Javascript
JavaScript统计网站访问次数的实现代码
2015/11/18 Javascript
深入探究AngularJs之$scope对象(作用域)
2017/07/20 Javascript
node thread.sleep实现示例
2018/06/20 Javascript
jQuery中ajax请求后台返回json数据并渲染HTML的方法
2018/08/08 jQuery
使用vue点击li,获取当前点击li父辈元素的属性值方法
2018/09/12 Javascript
Python判断两个对象相等的原理
2017/12/12 Python
python生成tensorflow输入输出的图像格式的方法
2018/02/12 Python
python版opencv摄像头人脸实时检测方法
2018/08/03 Python
centos6.8安装python3.7无法import _ssl的解决方法
2018/09/17 Python
Python中请不要再用re.compile了
2019/06/30 Python
python基础教程之while循环
2019/08/14 Python
Python numpy多维数组实现原理详解
2020/03/10 Python
python音频处理的示例详解
2020/12/23 Python
巧用 CSS3的webkit-box-reflect 倒影实现各类动效
2021/03/05 HTML / CSS
意大利简约的休闲品牌:Aspesi
2018/02/08 全球购物
全球速卖通俄罗斯站:AliExpress俄罗斯
2019/06/17 全球购物
《每逢佳节倍思亲》教后反思
2014/04/19 职场文书
2014年十一国庆节活动方案
2014/09/16 职场文书
高等学院职业生涯规划书范文
2014/09/16 职场文书
井冈山红色之旅心得体会
2014/10/07 职场文书
劳动纠纷调解协议书格式
2014/11/30 职场文书
2015年小学师德师风建设工作总结
2015/10/23 职场文书
小学音乐课教学反思
2016/02/18 职场文书
pandas 操作 Excel操作总结
2021/03/31 Python
【超详细】八大排序算法的各项比较以及各自特点
2021/03/31 Python
CSS3实现的侧滑菜单
2021/04/27 HTML / CSS