想要利用Python快速爬取整站圖片?速進(附完整程式碼)
本片博文為大家帶來的想要快速爬取整站圖片?速進(附完整程式碼)
。
很多人學習python,不知道從何學起。
很多人學習python,掌握了基本語法過後,不知道在哪裡尋找案例上手。
很多已經做案例的人,卻不知道如何去學習更加高深的知識。
那麼針對這三類人,我給大家提供一個好的學習平臺,免費領取視訊教程,電子書籍,以及課程的原始碼!
QQ群:961562169
目錄
快速爬取整個網站的圖片當然是可行的!!!但是 我們還是先從一個切入點切入,此處的切入點,博主選擇的是寶馬五系車型為切入點,同理,爬取妹子圖也是如此。
一. 爬取前的準備
汽車直接官網:https://www.autohome.com.cn/
寶馬五系網頁地址:https://www.autohome.com.cn/65/
圖片地址:https://car.autohome.com.cn/pic/series/65.html
二. 檢視網頁
三. 分析與實現
1. 先確定我們所要爬取內容的具體位置
uiboxs = response.xpath("//div[@class='uibox']")[1:] # 使用切片操作
下圖為所獲取到的所有結果(通過scrapy shell 解析所得到的結果)
切片操作完成後,我們通過迴圈遍歷可以分別得到我們所需要的圖片名稱及圖片連結。
怎樣得到的?我們先看下HTML原始碼
結構:
for uibox in uiboxs:
category = uibox.xpath(".//div[@class = 'uibox-title']/a/text()").get()
print(category)
urls = uibox.xpath(".//ul/li/a/img/@src").getall()
print(urls)
解析完成後,我們通過輸出列印看下效果:
根據上圖我們可以看到圖片的網址是不完全的,這時候我們可以通過新增https:
使其形式成為url = "https:"+url
這種形式。最終可以的到下圖的效果:
for url in urls:
url = "https:"+url
print(url)
答案是肯定! 下面博主給的程式碼即為優化方法:
優化1:自動拼接成完整的URL
for url in urls:
url = response.urljoin(url)
print(url)
優化2: 使用map()
在使用map()優化前,我們需要先設定好item.py
class BmwItem(scrapy.Item):
category = scrapy.Field()
urls= scrapy.Field()
urls = list(map(lambda url:response.urljoin(url),urls))
item = BmwItem(category = category , urls = urls)
yield item
上述兩種優化方法得到的結果和第一個是一樣的。效果圖如下:
2. 儲存的具體實現 (在pipelines中處理
)
在使用pipelines
的時候,我們需要先從設定裡開啟選項,把預設的註釋去掉
怎樣實現?
在此博主總共分成兩步進行實現,首先是先判斷是否有目錄,如果有的話就直接進行下一步,如果沒有的話,則會進行自動建立,原始碼部分如下:
def __init__(self):
# 獲取並建立當前目錄,沒有自行建立
self.path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
if not os.path.exists(self.path):
os.mkdir(self.path)
else:
print('images資料夾存在')
資料夾建立完成後,就需要對圖片進行儲存了。原始碼如下:
def process_item(self, item, spider):
category = item['category']
urls = item['urls']
category_path = os.path.join(self.path,category)
if not os.path.exists(category_path):
os.mkdir(category_path)
for url in urls:
image_name = url.split('_')[-1]
request.urlretrieve(url,os.path.join(category_path,image_name))
return item
對上述原始碼,博主只對image_name = url.split('_')[-1]
這一句做詳細解釋。至於為什麼要這樣操作,看下圖:
下面檢視一下執行的結果:
3. 更新完善原始碼
雖然通過以上的步驟我們已經完成了圖片的爬取,但是我們要知道我們用的是不同的迴圈遍歷的方法一張一張的下載。初次之外,上述的方法也沒有用到非同步下載,效率較為低下。
在這個時候我們就可以使用scrapy框架自帶的item pipelines了。
為什麼要選擇使用scrapy內建的下載檔案的方法:
- 避免重新下載最近已經下載過的資料。
- 可以方便的指定檔案儲存的路徑。
- 可以將下載的圖片轉換成通用的格式。比如png或jpg。
- 可以方便的生成縮圖。
- 可以方便的檢測圖片的寬和高,確保他們滿足最小限制。
- 非同步下載,效率非常高
下載檔案的Files Pipeline與下載圖片的Images Pipeline:
當使用Files Pipeline下載檔案的時候,按照以下步驟來完成:
- 定義好一個Item,然後在這個item中定義兩個屬性,分別為file_urls以及files = file_urls是用來儲存需要下載的檔案的url連結,需要給一個列表。
- 當檔案下載完成後,會把檔案下載的相關資訊儲存到item的fileds屬性中。比如下載路徑、下載的url和檔案的校驗碼等。
- 在配置檔案settings.py中配置FILES_STORE,這個配置是用來設定檔案下載下來的路徑。
- 啟動pipeline:在ITEM_PIPELINES中設定scrapy.pipelines.files.FilesPipelines:1。
當使用Images Pipeline下載檔案的時候,按照以下步驟來完成:
- 定義好一個Item,然後在這個item中定義兩個屬性,分別為image_urls以及images = image_urls是用來儲存需要下載的圖片的url連結,需要給一個列表。
- 當檔案下載完成後,會把檔案下載的相關資訊儲存到item的images屬性中。比如下載路徑、下載的url和檔案的校驗碼等。
- 在配置檔案settings.py中配置IMAGES_STORE,這個配置是用來設定檔案下載下來的路徑。
- 啟動pipeline:在ITEM_PIPELINES中設定scrapy.pipelines.images.ImagesPipelines:1。
- 1. 修改完善items.py
class BmwItem(scrapy.Item):
category = scrapy.Field()
image_urls= scrapy.Field()
images = scrapy.Field()
- 2. 修改主程式
# 修改此部分
item = BmwItem(category = category , image_urls = urls)
- 3. 呼叫scrapy自帶的image Pipelines及images_store
ITEM_PIPELINES = {
# 'bmw1.pipelines.Bmw1Pipeline': 300,
# 系統自帶的Pipeline 可以實現非同步
'scrapy.pipelines.images.ImagesPipeline': 1
}
# 圖片下載的路徑,供image pipelines使用
IMAGES_STORE = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
好了,修改完成,下面我們來看下效果
為了實現上述讀者所說的需求,其實很簡單,只需要我們再次在pipelines.py中重寫一個類即可
- 4. 重寫類
# 重寫一個新類,使其能夠分類下載
class BMWImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 這個方法是在傳送下載請求之前呼叫
# 其實這個方法本身就是去傳送下載請求的
request_objs = super(BMWImagesPipeline, self).get_media_requests(item,info)
for request_obj in request_objs:
request_obj.item = item
return request_objs
def file_path(self, request, response=None, info=None):
# 這個方法是在圖片將要被儲存的時候呼叫,來獲取這個圖片儲存的路徑
path = super(BMWImagesPipeline, self).file_path(request,response,info)
category = request.item.get('category')
images_store = settings.IMAGES_STORE
category_path = os.path.join(images_store,category)
if not os.path.exists(category_path):
os.mkdir(category_path)
images_name = path.replace("full/","")
images_path = os.path.join(category_path,images_name)
return images_path
- 6.修改item_pipelines
ITEM_PIPELINES = {
# 'bmw1.pipelines.Bmw1Pipeline': 300,
# 系統自帶的Pipeline 可以實現非同步
# 'scrapy.pipelines.images.ImagesPipeline': 1
# 使用自己建立的類物件
'bmw1.pipelines.BMWImagesPipeline': 1
}
- 7. 執行檢視結果
- 8. 大圖img儲存
你以為到這裡就大功告成了嘛!如果真的這樣認為那你就大錯特錯了,因為現在儲存的還只是小圖,我們需要儲存的是大圖。下面我們先來看看大圖與小圖的區別:
大圖網址:https://car3.autoimg.cn/cardfs/product/g26/M08/5A/55/autohomecar__ChcCP12J_XGAXP0pAAtylyqMfeQ144.jpg
小圖網址:https://car3.autoimg.cn/cardfs/product/g26/M08/5A/55/240x180_0_q95_c42_autohomecar__ChcCP12J_XGAXP0pAAtylyqMfeQ144.jpg
srcs = list(map(lambda x:response.urljoin(x.replace("240x180_0_q95_c42_","")),srcs))
此部分到這裡大體就完成了,剩下一點博主就直接把此部分的程式碼放上:
rules = (
Rule(LinkExtractor(allow=r"https://car.autohome.com.cn/pic/series/65.+"),callback="parse_page",follow=True),
)
def parse_page(self, response):
category = response.xpath("//div[@class='uibox']/div/text()").get()
srcs = response.xpath('//div[contains(@class,"uibox-con")]/ul/li//img/@src').getall()
srcs = list(map(lambda x:response.urljoin(x.replace("240x180_0_q95_c42_","")),srcs))
# 得到整個狀態列表
# urls = []
# for src in srcs:
# url = response.urljoin(src)
# urls.append(url)
# srcs = list(map(lambda x:response.urljoin(x),srcs))
yield BmwItem(category=category,image_urls = srcs)
- 9. 最終執行結果
四. 程式碼
- 1. bmw5
class Bmw5Spider(CrawlSpider):
name = 'bmw5'
allowed_domains = ['car.autohome.com.cn']
start_urls = ['https://car.autohome.com.cn/pic/series/65.html']
rules = (
Rule(LinkExtractor(allow=r"https://car.autohome.com.cn/pic/series/65.+"),callback="parse_page",follow=True),
)
def parse_page(self, response):
category = response.xpath("//div[@class='uibox']/div/text()").get()
srcs = response.xpath('//div[contains(@class,"uibox-con")]/ul/li//img/@src').getall()
srcs = list(map(lambda x:response.urljoin(x.replace("240x180_0_q95_c42_","")),srcs))
# 得到整個狀態列表
# urls = []
# for src in srcs:
# url = response.urljoin(src)
# urls.append(url)
# srcs = list(map(lambda x:response.urljoin(x),srcs))
yield BmwItem(category=category,image_urls = srcs)
# 爬取縮圖用此部分
def parse(self, response):
# SelectorList -> list (可進行遍歷)
uiboxs = response.xpath("//div[@class='uibox']")[1:] # 使用切片操作
for uibox in uiboxs:
category = uibox.xpath(".//div[@class = 'uibox-title']/a/text()").get()
urls = uibox.xpath(".//ul/li/a/img/@src").getall()
# for url in urls:
# url = "https:"+url
# print(url)
# 優化1:自動拼接成完整的URL
# for url in urls:
# url = response.urljoin(url)
# print(url)
# 優化2: 使用map()
urls = list(map(lambda url:response.urljoin(url),urls))
item = BmwItem(category = category , image_urls = urls)
yield item
- 2. items
class BmwItem(scrapy.Item):
category = scrapy.Field()
image_urls= scrapy.Field()
images = scrapy.Field()
- 3. pipelines
class BmwPipeline:
def __init__(self):
# 獲取並建立當前目錄,沒有自行建立
self.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):
category = item['category']
urls = item['urls']
category_path = os.path.join(self.path,category)
if not os.path.exists(category_path):
os.mkdir(category_path)
for url in urls:
image_name = url.split('_')[-1]
request.urlretrieve(url,os.path.join(category_path,image_name))
return item
# 重寫一個新類,使其能夠分類下載
class BMWImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 這個方法是在傳送下載請求之前呼叫
# 其實這個方法本身就是去傳送下載請求的
request_objs = super(BMWImagesPipeline, self).get_media_requests(item,info)
for request_obj in request_objs:
request_obj.item = item
return request_objs
def file_path(self, request, response=None, info=None):
# 這個方法是在圖片將要被儲存的時候呼叫,來獲取這個圖片儲存的路徑
path = super(BMWImagesPipeline, self).file_path(request,response,info)
category = request.item.get('category')
images_store = settings.IMAGES_STORE
category_path = os.path.join(images_store,category)
if not os.path.exists(category_path):
os.mkdir(category_path)
images_name = path.replace("full/","")
images_path = os.path.join(category_path,images_name)
return images_path
- 4. settings
ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'
}
ITEM_PIPELINES = {
# 雖然能夠下載,但是不能實現非同步
# 'bmw.pipelines.BmwPipeline': 300,
# 系統自帶的Pipeline 可以實現非同步
# 'scrapy.pipelines.images.ImagesPipeline': 1
# 使用自己建立的類物件
'bmw.pipelines.BMWImagesPipeline' : 1
}
# 圖片下載的路徑,供image pipelines使用
IMAGES_STORE = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
美好的日子總是短暫的,雖然還想繼續與大家暢談,但是本篇博文到此已經結束了,如果還嫌不夠過癮,不用擔心,我們下篇見!