Scrapy框架 -- 深度爬取并持久化保存图片
一、新建一个Scrapy项目daimg
scrapy startproject daimg
二、进入该项目并创建爬虫文件daimgpc
cd daimg
scrapy genspider daimgpc www.xxx.com
三、修改配置文件settings.py
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36"
四、进入爬虫文件,编写代码
1、指定要爬取的网站
start_urls = ["http://www.XXXXXcom/photo/world/"]
列表= response.xpath('/html/body/div[5]/ul/li')for i in 列表:标题=i.xpath('./a/@title').extract_first()+'.jpg'详情页=i.xpath('./a/@href').extract_first()
3、爬取多页图片标题及详情页
start_urls = ["http://www.XXXX.com/photo/world/"]多页url模板='http://wwwXXXXXcom/photo/world/list_69_%d.html'if self.页码<4:新url=format(self.多页url模板%self.页码)self.页码+=1yield scrapy.Request(url=新url,callback=self.parse)
4、解析详情页,获取图片链接
yield scrapy.Request(url=详情页,callback=self.详情页解析)def 详情页解析(self,response):图片地址=response.xpath('/html/body/div[4]/div[1]/ul[2]/img/@src').extract_first()print(图片地址)
5、将图片地址和图片名称声明到items
图片名称 = scrapy.Field()图片地址 = scrapy.Field()
6、将DaimgTiem函数导入爬虫文件
from ..items import DaimgItem
7、将图片地址和图片名字保存到itme对象,并提交给管道处理
itme对象=DaimgItem()itme对象['图片名称']=标题yield scrapy.Request(url=详情页,callback=self.详情页解析,meta={'item':itme对象})meta=response.meta
item=meta['item']
item['图片地址']=图片地址
yield item
8、管道文件编写
from scrapy.pipelines.images import ImagesPipeline
class DaimgPipeline(ImagesPipeline):def get_media_requests(self, item, info):请求地址=item['图片地址']yield scrapy.Request(url=请求地址,meta={'名称':item['图片名称']})def file_path(self, request, response=None, info=None, *, item=None):保存名称=request.meta['名称']return 保存名称def item_completed(self, results, item, info):return item
9、配置文件填写保存的文件夹
IMAGES_STORE='aiyou'
10、开启管道
ITEM_PIPELINES = {"daimg.pipelines.DaimgPipeline": 300,
}
五、运行爬虫文件
scrapy crawl daimgpc
六、运行结果
七、提高效率设置
1、线程数量,默认16
CONCURRENT_REQUESTS = 32
2、禁止cookies
COOKIES_ENABLED = False
3、禁止重试
RETRY_ENABLED = False
4、设置超时时间
DOWNLOAD_TIMEOUT = 10