用Python爬虫帮助出版社的实习生批量爬取古籍图片

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)