本文主要是介绍用Python爬虫帮助出版社的实习生批量爬取古籍图片,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!
某天中午,一个陌生微信加了老夫的微信,说有个需求需要请教。
收到链接后,马上开撸代码。
1、目标网站分析
主页(图)
主页是一个 table 列表,我们实际需要的数据是 全文影像 的页面里的数据。
全文影像(图)
通过点击页面相关链接,老夫发下如下规律:
1、全文影像 中顶部的分页数字指的是书籍有多少册,如下图有17册。
每册链接是:http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/index.html
这个链接中 006659 指的是书号,001指的是第一册,以此类推
第二页链接:
http://db.sido.keio.ac.jp/kanseki/flipping/006659-002/index.html
第三页链接:
http://db.sido.keio.ac.jp/kanseki/flipping/006659-003/index.html
2、全文影像 中底部的分页数据代表每册有多少页,如下图有25页
第一页的链接如下:
http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/006659-001/assets/basic-html/page-1.html
以此类推 第二页链接如下:
http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/006659-001/assets/basic-html/page-2.html
根据上面的规律,我们需要先爬取每本书有多少册,然后再循环爬取每册有多少个图
2、搭建Python环境
1、安装Python3环境,请自行百度。
2、安装virtualenv环境与系统Python环境隔离。
3、安装Scrapy包
pip install -i https://pypi.doubanio.com/simple/ scrapy
4、创建 scrapy 项目
scrapy startproject bookspider
5、项目结构如下:
3、编写爬虫代码
1、首先新建 url_spider 爬虫,爬取首页获取每本书的链接,并保存到urls.txt中
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import scrapyclass urlSpider(scrapy.Spider):name = "urlSpider"def start_requests(self):urls = ['http://db.sido.keio.ac.jp/kanseki/T_bib_line_2.php']for url in urls:yield scrapy.Request(url=url, callback=self.parse)def parse(self, response):basepath = 'http://db.sido.keio.ac.jp/kanseki/'hrefs = response.xpath("//a[@name='alrp']").xpath("@href").getall()html =''for href in hrefs:path = basepath+href+","html += pathwith open("urls.txt",'w',encoding='utf-8') as wb:wb.write(html)wb.close()
2、新建 book_spider 爬虫,爬取书籍的书册并且下载每册书的图片,为了测试爬虫老夫只选取了一本书来爬取。
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import scrapy
import os
import os.path as opath
from urllib.request import urlretrieve
class bookSpider(scrapy.Spider):name = "book"urlStrs = ''def start_requests(self):with open("urls.txt",'r',encoding='utf-8') as f:urlStrs = f.read()f.close()urls = urlStrs.split(',')yield scrapy.Request(url=urls[0],callback=self.parse)def parse(self, response):books = response.xpath("//div[@id='basic']/ul/li/p/text()").getall()iframeUrl = response.xpath("//iframe/@src").get()self.logger.info('---------> iframe url is %s',iframeUrl)info = self.getUrlInfo(iframeUrl)self.logger.info("%s 有 %s 册",info[1],books)path='/Users/lxl/Documents/pythonProject/myspider/book/'+info[1]if opath.exists(path) is False:os.makedirs(path)for bookid in books:bookurl = info[0]+'/'+info[1]+'-'+self.getbookid(bookid)+'/'+info[1]+'-'+self.getbookid(bookid)+'/assets/basic-html/page-1.html'if opath.exists(path+"/"+self.getbookid(bookid)) is False:os.mkdir(path+"/"+self.getbookid(bookid))yield scrapy.Request(url=bookurl,callback=self.parsebook,meta={'path':path+"/"+self.getbookid(bookid)})'''解析每册书的信息,并且开始保存图片'''def parsebook(self,response):numstr = response.xpath("//span[@class='pager']/text()").get()pages = numstr.split("/")[1].strip() # 总页数page = 1while page <= int(pages):pageurl = self.getPageBasePath(response.url)+'/'+'page-'+str(page)+'.html'self.logger.info("处理页面:%s",pageurl)yield scrapy.Request(url=pageurl,callback =self.pageImg,meta={'path':response.meta['path']})page += 1def pageImg(self,response):url = response.xpath("//div[@id='pageContainer']/img/@src").get()imgurl = response.urljoin(response.xpath("//div[@id='pageContainer']/img/@src").get())self.download(url=imgurl,path=response.meta['path'])'''解析 iframe 中的 http://db.sido.keio.ac.jp/kanseki/flipping/006659-001/index.html返回 ('http://db.sido.keio.ac.jp/kanseki/flipping','006659')006659-001 006659:代表书号001: 代表册号'''def getUrlInfo(self,url):i = url.rfind("/", 0)urlSub = url[0:i]ii = urlSub.rindex("/", 0)_str = urlSub[ii + 1:]cc = _str.split('-')baseUrl = urlSub[0:ii]arr = (baseUrl, cc[0])return arrdef getbookid(self,bookid):if int(bookid) >= 10 and int(bookid) < 100:return '0'+bookidelse:return '00'+bookiddef getPageBasePath(self,url):i = url.rindex("/", 0)return url[0:i]def download(self,url,path):i = url.rindex("/",0)filename = url[i+1:]if opath.exists(path+'/'+filename) is False:urlretrieve(url, path + '/' + filename)self.logger.info("下载图片链接:%s",url)
4、运行爬虫
最后运行效果如下:
爬取的图片如下:
至此整个爬虫程序就结束了。
5、项目源码
关注公众号老夫撸代码,回复 bookspider 获取源码地址
欢迎各位童鞋提供需求,老夫来帮你实现!
这篇关于用Python爬虫帮助出版社的实习生批量爬取古籍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!