python：scrapy学习demo分享-创新互联

　　推荐一个比较容易上手的Python 框架scrapy。

　　开发环境搭建

　　Python安装

　　下载地址：官网

　　这里我下载的是3.8.0的版本(我的安装目录是：D:\python\Python38-32)

　　安装完后设置环境变量：在path中追加：D:\python\Python38-32; D:\python\Python38-32\Scripts

　　升级pip

　　输入命令：

　　python -m pip install --upgrade pip

　　安装scrapy依赖的模块

　　安装wheel

　　进入cmd执行命令命令：

　　> pip install wheel

　　安装pywin32

　　下载地址：github

　　由于我安装的Python是32位的，估选择win32-py3.8版本，下载后双击安装即可

　　安装 lxml

　　运行命令：

　　> pip install lxml

　　安装Twisted

　　由于直接使用命令在线安装一直报下载超时，估采用离线安装的方式

　　运行命令：

　　> pip install Twisted-19.10.0-cp38-cp38-win32.whl

　　安装scrapy

　　运行命令：

　　> pip install scrapy

　　到目前为止就完成了scrapy环境的搭建，相对简单

　　编写demo

　　准备内容

　　被爬网站

　　选择百度图片首页：http://image.baidu.com/

　　规则分析

　　首先想到的是通过xpath的方式来爬取图片，xpath语句：//div[@class=“imgrow”]/a/img/@src。但是在编写爬虫(Spiders)的时候发现http://image.baidu.com/请求并没有将图片的URL直接返回，而是通过后面的异步请求获取，而且返回的是一个json字符串，估xpath方式行不通。

　　更换异步请求的URL为被爬网站：http://image.baidu.com/search/acjson?tn=resultjson_com&catename=pcindexhot&ipn=rj&ct=201326592&is=&fp=result&queryWord=&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=pcindexhot&face=0&istype=2&qc=&nc=1&fr=&pn=0&rn=30

　　创建scrapy项目 ImagesRename

　　运行命令：

　　> scrapy startproject ImagesRename

　　执行完后生成项目的目录结构如图：

　　其中：

　　spiders目录：用于放置爬虫文件

　　items.py：用于保存所抓取的数据的容器，其存储方式类似于 Python 的字典

　　pipelines.py：核心处理器，对爬取到的内容进行相应的操作，如：下载，保存等

　　settings.py：配置文件，修改USER_AGENT、存储目录等信息

　　scrapy.cfg：项目的配置文件

　　编写item容器 items.py

　　import scrapy

　　class ImagesrenameItem(scrapy.Item):

　　# define the fields for your item here like:

　　# name = scrapy.Field()

　　imgurl = scrapy.Field()

　　pass 郑州专业妇科医院 http://www.120zzzy.com/

　　创建蜘蛛文件ImgsRename.py

　　# -*- coding: utf-8 -*-

　　import scrapy

　　import json

　　from scrapy.linkextractors import LinkExtractor

　　from scrapy.spiders import CrawlSpider, Rule

　　from ImagesRename.items import ImagesrenameItem

　　class ImgsRenameSpider(CrawlSpider):

　　name = 'ImgsRename'

　　allowed_domains = ['image.baidu.com']

　　#http://image.baidu.com/ 并没有返回图片链接，而是通过异步请求接口获取的，爬取的URL必须是异步请求的链接

　　start_urls = ['http://image.baidu.com/search/acjson?tn=resultjson_com&catename=pcindexhot&ipn=rj&ct=201326592&is=&fp=result&queryWord=&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=pcindexhot&face=0&istype=2&qc=&nc=1&fr=&pn=0&rn=30',]

　　def parse(self, response):

　　# 实例化item

　　item = ImagesrenameItem()

　　#解析异步请求返回的json字符串

　　#经过分析需要的图片链接保存在json——》data——》hoverURL

　　jsonString = json.loads(response.text)

　　data = jsonString["data"]

　　imgUrls = []

　　#循环将图片URL保存到数组中

　　for d in data:

　　if d:

　　hov = d["hoverURL"]

　　imgUrls.append(hov)

　　item['imgurl'] = imgUrls

　　yield item

　　编写核心处理器图片下载中间件pipelines.py

　　# -*- coding: utf-8 -*-

　　# Define your item pipelines here

　　#

　　# Don't forget to add your pipeline to the ITEM_PIPELINES setting

　　# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

　　import re

　　from scrapy.pipelines.images import ImagesPipeline

　　from scrapy import Request

　　class ImagesrenamePipeline(ImagesPipeline):

　　def get_media_requests(self, item, info):

　　# 循环每一张图片地址下载

　　for image_url in item['imgurl']:

　　#发起图片下载的请求

　　yield Request(image_url)

　　修改配置文件settings.py

　　# -*- coding: utf-8 -*-

　　# Scrapy settings for ImagesRename project

　　BOT_NAME = 'ImagesRename'

　　SPIDER_MODULES = ['ImagesRename.spiders']

　　NEWSPIDER_MODULE = 'ImagesRename.spiders'

　　# Crawl responsibly by identifying yourself (and your website) on the user-agent

　　#USER_AGENT = 'ImagesRename (+http://www.yourdomain.com)'

　　USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'

　　# Obey robots.txt rules

　　ROBOTSTXT_OBEY = False

　　ITEM_PIPELINES = {

　　'ImagesRename.pipelines.ImagesrenamePipeline': 300,

　　}

　　# 设置图片存储目录

　　IMAGES_STORE = 'E:\图片'

　　启动程序下载图片

　　运行命令：

　　scrapy crawl ImgsRename

　　到目前为止就已经完成了一个简单的图片爬取程序，结果如图：

　　当然这些下载的文件名称是一个随机数，如果需要按照一个格式的文件名存储则可以重新ImagesPipeline类的file_path方法即可，这里就不做详细的介绍