[Python知识库]Scrapy爬图片入门——静态网站

一、要爬的网站：

二、建个项目：

scrapy startproject demo

scrapy genspider image 网站域名

spiders下的image.py是scrapy自动为我们生成的

三、编辑image.py

用xpath提取我们需要的网站内容（图片标题以及链接）

import scrapy

from ..items import DemoItem


class ImageSpider(scrapy.Spider):
    name = 'image'
    allowed_domains = ['https://www.58pic.com/c/24601329']
    start_urls = ['https://www.58pic.com/c/24601329']

    def parse(self, response):
        img_list=response.xpath("//div[@class='list-box col-s-960 clearfix ']/div")
        print(img_list)
        for img in img_list:
             item=DemoItem()
             item["title"]=img.xpath("./a/div[2]/span[2]/text()").extract_first()+'.png'
             item["img_urls"]='http:'+img.xpath("./a/div[@class='image-box']/img/@data-original")[0].extract()
             yield item

?四、编辑items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class DemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    img_urls = scrapy.Field()
    pass

五、编辑pipelines.py

from scrapy.pipelines.images import ImagesPipeline
import scrapy
import os


class DemoPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        yield scrapy.Request(url=item['img_urls'], meta={'item': item})

    # 返回图片名称即可
    def file_path(self, request, response=None, info=None):
        item = request.meta['item']
        print('########', item)
        filePath = item['title']
        return filePath

    def item_completed(self, results, item, info):
        return item

?六、修改setting文件

1.把管道打开：

ITEM_PIPELINES：项目管道，300为优先级，越低越爬取的优先度越高

2.其他：

BOT_NAME：项目名

LOG_LEVEL:屏蔽warning

USER_AGENT：默认是注释的，这个东西非常重要，不写容易被判断为电脑，简单点写一个Mozilla/5.0即可

ROBOTSTXT_OBEY：是否遵循机器人协议，默认是true，需要改为false，否则很多东西爬不了

?七、开始爬虫：

scrapy crawl image

?

?