【Scrapy学习心得】爬虫实战三(异步下载宝马5系高清图片)

2023-12-29 20:58

本文主要是介绍【Scrapy学习心得】爬虫实战三(异步下载宝马5系高清图片),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

【Scrapy学习心得】爬虫实战三(异步下载宝马5系高清图片)

声明:仅供技术交流,请勿用于非法用途,如有其它非法用途造成损失,和本博客无关

目录

  • 【Scrapy学习心得】爬虫实战三(异步下载宝马5系高清图片)
      • 一、配置环境
      • 二、准备工作
      • 三、分析网页
      • 四、爬取数据
      • 五、保存数据(同步下载图片)
      • 六、保存数据(异步下载图片)
  • 写在最后

爬取的网站:汽车之家的宝马5系所有高清图片 点击跳转

一、配置环境

  • python3.7
  • pycharm
  • Scrapy1.7.3
  • win10
  • pymysql

二、准备工作

  • cmd命令行中进入需要创建项目的目录运行scrapy startproject hehe
  • 创建成功后继续执行cd hehe
  • 然后执行scrapy genspider bmw car.autohome.com.cn
  • 最后在spider文件夹下可以看到刚创建的bmw.py爬虫文件

三、分析网页


不难发现,宝马5系的那些车身外观啊、中控方向盘啊等等分类都在这个uiboxdiv标签中,除了全景看车那个,我这都把各个分类中每张图片对应的高清url地址都要拿到,我先把每个分类的url地址给拿到,

然后再通过翻页拿到全部图片的高清图片地址,就可以轻松拿到所有宝马5系的高清图片了,完美!

先放上爬取的部分高清图片

所以总共我要爬取的内容有:

  • 分类的名称以及其具体的url地址
  • 所有高清图片

查找元素的那些操作我就不放上来了,因为没什么难度的,会来学scrapy框架的同学肯定是跟我一样那些什么requests啊,urllib啊,selenium啊等等都是用腻了才来的,是吧

四、爬取数据

下面先定义item.py文件:

import scrapyclass HeheItem(scrapy.Item):title = scrapy.Field() #分类名称url = scrapy.Field()   #分类的具体地址gq_url = scrapy.Field()  #高清图片的地址image_urls = scrapy.Field()   #真正要去请求的获取高清图片的地址

下面直接放上bmw.py的代码:

# -*- coding: utf-8 -*-
import scrapy
from copy import deepcopy
from hehe.items import HeheItemclass BmwSpider(scrapy.Spider):name = 'bmw'allowed_domains = ['car.autohome.com.cn']start_urls = ['https://car.autohome.com.cn/pic/series/65.html#pvareaid=3454438']def parse(self, response):uibox_list=response.xpath('//div[@class="uibox"]')[1:]  #去掉全景观车for uibox in uibox_list:item=HeheItem()item['title']=uibox.xpath('./div[@class="uibox-title"]/a/text()').get()item['url'] = uibox.xpath('./div[@class="uibox-title"]/a/@href').get()item['url']=response.urljoin(item['url'])#下面去请求进入到分类的地址当中yield scrapy.Request(item['url'],callback=self.parse_list,meta={'item':deepcopy(item)})def parse_list(self,response):item=response.meta['item']li_list=response.xpath('//div[@class="uibox-con carpic-list03 border-b-solid"]/ul/li')for li in li_list:item['gq_url']=response.urljoin(li.xpath('./a/@href').get())#下面去请求进入高清图片的地址当中yield scrapy.Request(item['gq_url'],callback=self.parse_gq,meta={'item':deepcopy(item)})#下面进行翻页的操作next_page=response.xpath('//a[@class="page-item-next"]/@href').get()if next_page != 'javascript:void(0);':  #当有下一页的时候才去翻页next_page=response.urljoin(next_page)yield scrapy.Request(next_page,callback=self.parse_list,  #翻页操作时的callback函数是自己meta={'item':item})def parse_gq(self,response):item=response.meta['item']item['image_urls']=response.xpath('//img[@id="img"]/@src').getall()item['image_urls']=[response.urljoin(item['image_urls'][0])]  #需要把它改成一个列表,不然后面用urlretrieve会报错yield item

五、保存数据(同步下载图片)

这里先用传统的保存图片的方法来保存,修改pipeline.py文件如下:

# -*- coding: utf-8 -*-
import os
from urllib.request import urlretrieve  #用来下载图片class HehePipeline(object):def __init__(self):   #下面是创建保存图片的文件夹imagesself.path=os.path.join(os.path.dirname(os.path.dirname(__file__)),'images')if not os.path.exists(self.path):os.mkdir(self.path)def process_item(self, item, spider):if spider.name == 'bmw':cate=item['title']url=item['image_urls']cate_path=os.path.join(self.path,cate)#按分类来保存图片if not os.path.exists(cate_path):os.mkdir(cate_path)name=url.split('__')[-1] #取url后面部分来作为图片的名称urlretrieve(url, os.path.join(cate_path, name))

现在我们的爬虫大致已经是写完了,不过我还要修改一下setting.py文件的一些设置,需要增加的语句有:

LOG_LEVEL='WARNING' #设置日志输出级别
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'  #设置请求头
ROBOTSTXT_OBEY = False  #把这个设置成False,就不会去请求网页的robots.txt,因为不改为False的话,scrapy就会去访问该网站的robots.txt协议,如果网站没有这个协议,那么它就不会去访问该网站,就会跳过,进而爬不到数据
ITEM_PIPELINES = {'hehe.pipelines.HehePipeline': 300,
}

最后在cmd中先进入到这个项目的根目录下,即有scrapy.cfg文件的目录下,然后输入并运行scrapy crawl bmw,最后静静等待就行了,不过下载的速度的确是有点慢

六、保存数据(异步下载图片)

然后这里采用scrapy内置的pipeline来进行保存图片,用这个来保存图片呢有下面几个好处:

  1. scrapy本身就有url去重的功能,所以就不会出现重复下载同一张图片的情况
  2. 它采用的是异步下载,下载速度大大提高
  3. 而且它还会自动把图片保存为合适的格式
  4. 等等等等

下面在pipeline.py文件中添加一个类,代码如下:

# -*- coding: utf-8 -*-
import os
from scrapy.pipelines.images import ImagesPipeline  #使用scrapy自带的pipeline
from hehe import settings #导入配置文件#只需重新复写以下两个方法就行
class HahaPipeline(ImagesPipeline):def get_media_requests(self, item, info):request_objs=super(HahaPipeline,self).get_media_requests(item,info)for request_obj in request_objs:request_obj.item=itemreturn request_objsdef file_path(self, request, response=None, info=None):#这个方法是图片将要被存储的时候调用,来获取图片的存储路径path=super(HahaPipeline,self).file_path(request,response,info)cate=request.item.get('title')images_store=settings.IMAGES_STORE  #获取配置文件当中的文件路径,如果不存在,会自动创建cate_path=os.path.join(images_store,cate)if not os.path.exists(cate_path):os.mkdir(cate_path)name=path.replace('full/','')  #去掉scrapy中这个pipeline自己定义的文件夹路径,这里你们可以去看看源码就知道了images_path=os.path.join(cate_path,name) #重新定义文件夹路径return images_path #返回自定义的图片存放路径

同样需要在setting.py文件中设置修改pipeline才能把这个新的pipeline给生效,如下添加一行并把之前的给注释掉,并且增加保存文件的路径一行:

import os
IMAGES_STORE=os.path.join(os.path.dirname(os.path.dirname(__file__)),'images')
ITEM_PIPELINES = {# 'hehe.pipelines.HehePipeline': 300,'hehe.pipelines.HahaPipeline': 300,
}

把之前下载的图片删除,重新运行一遍这个爬虫,会发现速度明显比之前要快得多,这就是异步下载的威力啊哈哈

写在最后

怎么说呢,当你试过这两种下载图片的方法之后,你会恍然大悟,会喜欢上scrapy框架,但是,其实那些异步下载啊、多线程啊什么的,如果有能力自己敲代码也是能够实现的,但是,我又觉得,既然scrapy已经帮你弄好了一整套可用的东西,你非要去自己编写,那不就是重复造轮子么,除非你想发展为爬虫架构师的那种级别,一般我们还是用别人的东西,学会用别人的东西就已经很不错了我觉得。而且我又觉得,当我们使用的多了之后,估计自然而然地也就清楚地知道那些框架是怎么回事了吧

这篇关于【Scrapy学习心得】爬虫实战三(异步下载宝马5系高清图片)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/550708

相关文章

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片,如艺术画作、设计素材、报告图表等,提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法:读

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py

Java 中实现异步的多种方式

《Java中实现异步的多种方式》文章介绍了Java中实现异步处理的几种常见方式,每种方式都有其特点和适用场景,通过选择合适的异步处理方式,可以提高程序的性能和可维护性,感兴趣的朋友一起看看吧... 目录1. 线程池(ExecutorService)2. CompletableFuture3. ForkJoi