目錄 一、媒體管道 1.1、媒體管道的特性 媒體管道實現了以下特性: 圖像管道具有一些額外的圖像處理功能: 1.2、媒體管道的設置 二、ImagesPipeline類簡介 三、小案例：使用圖片管道爬取百度圖片 3.1、spider文件 3.2、items文件 3.3、settings文件 3.4、pipelines文件
一、媒體管道
1.1、媒體管道的特性
媒體管道實現了以下特性:
避免重新下載最近下載的媒體
指定存儲位置（文件系統目錄，Amazon S3 bucket，谷歌云存儲bucket）
圖像管道具有一些額外的圖像處理功能:
將所有下載的圖片轉換為通用格式(JPG)和模式(RGB)
生成縮略圖
檢查圖像的寬度/高度，進行最小尺寸過濾
1.2、媒體管道的設置
ITEM_PIPELINES = {'scrapy.pipelines.images.ImagesPipeline': 120} 啟用
FILES_STORE = '/path/to/valid/dir' 文件管道存放位置
IMAGES_STORE = '/path/to/valid/dir' 圖片管道存放位置
FILES_URLS_FIELD = 'field_name_for_your_files_urls' 自定義文件url字段
FILES_RESULT_FIELD = 'field_name_for_your_processed_files' 自定義結果字段
IMAGES_URLS_FIELD = 'field_name_for_your_images_urls' 自定義圖片url字段
IMAGES_RESULT_FIELD = 'field_name_for_your_processed_images' 結果字段
FILES_EXPIRES = 90 文件過期時間 默認90天
IMAGES_EXPIRES = 90 圖片過期時間 默認90天
IMAGES_THUMBS = {'small': (50, 50), 'big':(270, 270)} 縮略圖尺寸
IMAGES_MIN_HEIGHT = 110 過濾最小高度
IMAGES_MIN_WIDTH = 110 過濾最小寬度
MEDIA_ALLOW_REDIRECTS = True 是否重定向
二、ImagesPipeline類簡介
#解析settings里的配置字段
def __init__(self, store_uri, download_func=None, settings=None)
#圖片下載
def image_downloaded(self, response, request, info)
#圖片獲取 圖片大小的過濾 #縮略圖的生成
def get_images(self, response, request, info)
#轉化圖片格式
def convert_image(self, image, size=None)
#生成媒體請求 可重寫
def get_media_requests(self, item, info)
return [Request(x) for x in item.get(self.images_urls_field, [])] #得到圖片url 變成請求 發給引擎
#此方法獲取文件名 進行改寫
def item_completed(self, results, item, info)
#文件路徑
def file_path(self, request, response=None, info=None)
#縮略圖的存儲路徑
def thumb_path(self, request, thumb_id, response=None, info=None):
三、小案例：使用圖片管道爬取百度圖片
（當然不使用圖片管道的話也是可以爬取百度圖片的，但這還需要我們去分析網頁的代碼，還是有點麻煩，使用圖片管道就可以省去這個步驟了）
3.1、spider文件
注意：由于需要添加所有的請求頭，所以我們要重寫start_requests函數
import re
import scrapy
from ..items import DbimgItem
class DbSpider(scrapy.Spider):
name = 'db'
# allowed_domains = ['xxx.com']
start_urls = ['https://image.baidu.com/search/index?tn=baiduimageipn=rct=201326592cl=2lm=-1st=-1fm=indexfr=hs=0xthttps=111110sf=1fmq=pv=ic=0nc=1z=se=1showtab=0fb=0width=height=face=0istype=2ie=utf-8word=%E7%8B%97oq=%E7%8B%97rsp=-1']
def start_requests(self): #因為需要添加所有的請求頭，所以我們要重寫start_requests函數
# url = 'https://image.baidu.com/search/index?tn=baiduimageipn=rct=201326592cl=2lm=-1st=-1fm=indexfr=hs=0xthttps=111110sf=1fmq=pv=ic=0nc=1z=se=1showtab=0fb=0width=height=face=0istype=2ie=utf-8word=%E7%8B%97oq=%E7%8B%97rsp=-1'
headers = {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Encoding": "gzip, deflate, br",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cache-Control": "max-age=0",
"Connection": "keep-alive",
"Cookie": "BIDUPSID=4B61D634D704A324E3C7E274BF11F280; PSTM=1624157516; BAIDUID=4B61D634D704A324C7EA5BA47BA5886E:FG=1; __yjs_duid=1_f7116f04cddf75093b9236654a2d70931624173362209; BAIDUID_BFESS=101022AEE931E08A9B9A3BA623709CFE:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDRCVFR[dG2JNJb_ajR]=mk3SLVN4HKm; cleanHistoryStatus=0; H_PS_PSSID=34099_33969_34222_31660_34226_33848_34113_34073_33607_34107_34134_34118_26350_22159; delPer=0; PSINO=6; BA_HECTOR=24ak842ka421210koq1gdtj070r; BDRCVFR[X_XKQks0S63]=mk3SLVN4HKm; userFrom=www.baidu.com; firstShowTip=1; indexPageSugList=%5B%22%E7%8B%97%22%2C%22%E7%8C%AB%E5%92%AA%22%2C%22%E5%B0%8F%E9%80%8F%E6%98%8E%22%5D; ab_sr=1.0.1_OGYwMTZiMjg5ZTNiYmUxODIxOTgyYTllZGMyMzhjODE2ZWE5OGY4YmEyZWVjOGZhOWIxM2NlM2FhZTQxMmFjODY0OWZiNzQxMjVlMWIyODVlZWFiZjY2NTQyMTZhY2NjNTM5NDNmYTFmZjgxMTlkOGYxYTUzYTIzMzA0NDE3MGNmZDhkYTBkZmJiMmJhZmFkZDNmZTM1ZmI2MWZkNzYyYQ==",
"Host": "image.baidu.com",
"Referer": "https://image.baidu.com/",
"sec-ch-ua": '" Not;A Brand";v="99", "Google Chrome";v="91", "Chromium";v="91"',
"sec-ch-ua-mobile": "?0",
"Sec-Fetch-Dest": "document",
"Sec-Fetch-Mode": "navigate",
"Sec-Fetch-Site": "same-origin",
"Sec-Fetch-User": "?1",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36"
}
for url in self.start_urls:
yield scrapy.Request(url,headers=headers,callback=self.parse,dont_filter=True)
def parse(self, response):
img_urls = re.findall('"thumbURL":"(.*?)"', response.text)
# print(img_urls)
item = DbimgItem()
item['image_urls'] = img_urls
yield item
3.2、items文件
import scrapy
class DbimgItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
image_urls = scrapy.Field()
3.3、settings文件
ROBOTSTXT_OBEY = False
#打開我們寫的管道
ITEM_PIPELINES = {
# 'dbimg.pipelines.DbimgPipeline': 300,
'dbimg.pipelines.ImgPipe': 300,
}
#圖片存放位置
IMAGES_STORE = 'D:/python test/爬蟲/scrapy6/dbimg/imgs'
3.4、pipelines文件
import os
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import settings
"""
def item_completed(self, results, item, info):
with suppress(KeyError):
ItemAdapter(item)[self.images_result_field] = [x for ok, x in results if ok]
return item
"""
class ImgPipe(ImagesPipeline):
num=0
#重寫此函數修改獲取的圖片的名字 不然圖片名稱就是一串數字字母
def item_completed(self, results, item, info):
images_path = [x['path'] for ok, x in results if ok]
#print('results: ',results) 先查看下results的數據格式，然后才能獲取到我們需要的值
for image_path in images_path:
os.rename(settings.IMAGES_STORE + "/" + image_path, settings.IMAGES_STORE + "/" + str(self.num) + ".jpg")
self.num += 1
結果：
以上就是python爬蟲Scrapy框架:媒體管道原理學習分析的詳細內容，更多關于python爬蟲Scrapy框架的資料請關注腳本之家其它相關文章！
您可能感興趣的文章: 關于python爬蟲應用urllib庫作用分析 python爬蟲Mitmproxy安裝使用學習筆記 Python爬蟲和反爬技術過程詳解 python爬蟲之Appium爬取手機App數據及模擬用戶手勢 爬蟲Python驗證碼識別入門 Python爬蟲技術 Python爬蟲爬取商品失敗處理方法 Python獲取江蘇疫情實時數據及爬蟲分析 Python爬蟲之Scrapy環境搭建案例教程 Python爬蟲中urllib3與urllib的區別是什么 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫 Python爬蟲分析匯總
