scrapy 也能爬取妹子圖？（5）

爬蟲利器初體驗（1）

聽說你的爬蟲又被封了？（2）

爬取資料不儲存，就是耍流氓（3）

爬取兩萬多租房資料，告訴你廣州房租現狀（4）

scrapy 也能爬取妹子圖？（5）

scrapy遇上ajax，抓取QQ音樂周杰倫專輯與歌詞（6）

目錄

• 前言
• Media Pipeline
• 啟用Media Pipeline
• 使用 ImgPipeline
• 抓取妹子圖
• 瞎比比

前言

我們在抓取資料的過程中，除了要抓取文字資料之外，當然也會有抓取圖片的需求。那我們的 scrapy 能爬取圖片嗎？答案是，當然的。說來慚愧，我也是上個月才知道，在 zone7 粉絲群中，有群友問 scrapy 怎麼爬取圖片資料？後來搜尋了一下才知道。現在總結一下分享出來。

Media Pipeline

我們的 itempipeline 處理可以處理文字資訊以外，還可以儲存檔案和圖片資料，分別是 FilesPipeline 和 ImagesPipeline

Files Pipeline

• 避免重新下載最近已經下載過的資料
• 指定儲存路徑

FilesPipeline的典型工作流程如下：

• 在一個爬蟲裡，你抓取一個專案，把其中圖片的URL放入 file_urls 組內。
• 專案從爬蟲內返回，進入專案管道。
• 當專案進入 FilesPipeline，file_urls 組內的URLs將被Scrapy的排程器和下載器（這意味著排程器和下載器的中介軟體可以複用）安排下載，當優先順序更高，- - 會在其他頁面被抓取前處理。專案會在這個特定的管道階段保持“locker”的狀態，直到完成檔案的下載（或者由於某些原因未完成下載）。
• 當檔案下載完後，另一個欄位(files)將被更新到結構中。這個組將包含一個字典列表，其中包括下載檔案的資訊，比如下載路徑、源抓取地址（從 file_urls 組獲得）和圖片的校驗碼(checksum)。 files 列表中的檔案順序將和源 file_urls 組保持一致。如果某個圖片下載失敗，將會記錄下錯誤資訊，圖片也不會出現在 files 組中。

Images Pipeline

• 避免重新下載最近已經下載過的資料
• 指定儲存路徑
• 將所有下載的圖片轉換成通用的格式（JPG）和模式（RGB）
• 縮圖生成
• 檢測影像的寬/高，確保它們滿足最小限制

啟用Media Pipeline

# 同時啟用圖片和檔案管道
ITEM_PIPELINES = { # 使用時，請修改成你自己的 ImgPipeline
    'girlScrapy.pipelines.ImgPipeline': 1,
}
FILES_STORE = os.getcwd() + '/girlScrapy/file'  # 檔案儲存路徑
IMAGES_STORE = os.getcwd() + '/girlScrapy/img'  # 圖片儲存路徑

# 避免下載最近90天已經下載過的檔案內容
FILES_EXPIRES = 90
# 避免下載最近90天已經下載過的影像內容
IMAGES_EXPIRES = 30

# 設定圖片縮圖
IMAGES_THUMBS = {
    'small': (50, 50),
    'big': (250, 250),
}
# 圖片過濾器，最小高度和寬度，低於此尺寸不下載
IMAGES_MIN_HEIGHT = 128
IMAGES_MIN_WIDTH = 128

需要說明的是，你下載的圖片名最終會以圖片 URL 的 hash 值命名，例如：

0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

最終的儲存地址為：

your/img/path/full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg

使用 ImgPipeline

這是我 demo 中的一個 ImgPipeline，裡面重寫了兩個方法。

from scrapy.pipelines.images import ImagesPipeline
class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個類

    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            image_url = image_url
            yield scrapy.Request(image_url)
    def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        return item

分別是：

get_media_requests(self, item, info):
item_completed(self, results, item, info):

get_media_requests(self, item, info):

在這裡，我們可以獲取到 parse 中解析的 item 值，因此我們可以獲取到相應的圖片地址。在這裡返回一個 scrapy.Request(image_url) 去下載圖片。

item_completed(self, results, item, info):

item 和 info 列印出來都是 url 地址列表。其中 results 列印出來是如下值。

# 成功
[(True, {'path': 'full/0bddea29939becd7ad1e4160bbb4ec2238accbd9.jpg',
 'checksum': '98eb559631127d7611b499dfed0b6406', 
'url': 'http://mm.chinasareview.com/wp-content/uploads/2017a/06/13/01.jpg'})]
# 錯誤
[(False,
  Failure(...))]

name	value
path	圖片儲存地址
checksum	圖片內容的 MD5 hash
url	圖片 URL

抓取妹子圖

ok，理論部分也講完了，那我們來實踐一下吧

spider

spider 部分很簡單，如下：

class GirlSpider(scrapy.spiders.Spider):
    name = 'girl'
    start_urls = ["http://www.meizitu.com/a/3741.html"]
    def parse(self, response):
        soup = BeautifulSoup(response.body, 'html5lib')
        pic_list = soup.find('div', id="picture").find_all('img')  # 找到介面所有圖片
        link_list = []
        item = ImgItem()
        for i in pic_list:
            pic_link = i.get('src')  # 拿到圖片的具體 url
            link_list.append(pic_link)  # 提取圖片連結
        item['image_urls'] = link_list
        print(item)
        yield item

item

class ImgItem(scrapy.Item):
    image_urls = scrapy.Field()#圖片的連結
    images = scrapy.Field()

ImgPipeline

class ImgPipeline(ImagesPipeline):#繼承 ImagesPipeline 這個類
    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            image_url = image_url
            yield scrapy.Request(image_url)
    def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        return item

啟動

scrapy crawl girl

最終爬取結果如下：

瞎比比

今天的更新就到此結束啦，是不是 get 到了新技能？至於如何批量下載妹子圖？這個，我相信妹子的顏值會驅使你完善這些程式碼，手動滑稽！！！最後，回覆【妹子圖】獲取原始碼。

本文首發於公眾號「zone7」，關注獲取最新推文！