Scrapy框架之利用ImagesPipeline下載圖片

1.ImagesPipeline簡介

Scrapy用ImagesPipeline類提供一種方便的方式來下載和存儲圖片。

特點：

將下載圖片轉換成通用的JPG和RGB格式
避免重複下載
縮略圖生成
圖片大小過濾

2.ImagesPipeline工作流程

當使用圖片管道 ImagePipeline,典型的工作流程如下:

在一個爬蟲裏,你抓取一個項目,把其中圖片的URL放入image_urls組內。
項目從爬蟲內返回,進入項目管道。
當項目進入ImagePipeline, image_urls組內的URLs將被Scrapy的調度器和下載器安排下載(這意味着調度器和中間件可以複用),當優先級更高,會在其他頁面被抓取前處理. 項目會在這個特定的管道階段保持”locker”的狀態,直到完成圖片的下載(或者由於某些原因未完成下載)。
當圖片下載完, 另一個組(images)將被更新到結構中,這個組將包含一個字典列表,其中包括下載圖片的信息,比如下載路徑,源抓取地址(從image_urls組獲得)和圖片的校驗碼. images列表中的圖片順序將和源image_urls組保持一致.如果某個圖片下載失敗,將會記錄下錯誤信息,圖片也不會出現在images組中。

3.操作過程

項目目錄結構：

要想成功爬取圖片，需要經過以下幾個步驟：

（1）在items.py中添加image_urls、images和image_paths字段，代碼如下：

class DoubanImgsItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    image_urls = Field()
    images = Field()
    image_paths = Field()

（2）在settings.py中設置條件和屬性，代碼如下：

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html

# ImagePipeline的自定義實現類
ITEM_PIPELINES = {
    'douban_imgs.pipelines.DoubanImgDownloadPipeline': 300,
}
#設置圖片下載路徑
IMAGES_STORE = 'D:\\doubanimgs'
# 過期天數
IMAGES_EXPIRES = 90  #90天內抓取的都不會被重抓

（3）在spiders/download_douban.py中書寫ImageSpider的代碼：

# coding=utf-8
from scrapy.spiders import Spider
import re
from scrapy import Request
from ..items import DoubanImgsItem


class download_douban(Spider):
    name = 'download_douban'

    default_headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate, sdch, br',
        'Accept-Language': 'zh-CN,zh;q=0.8,en;q=0.6',
        'Cache-Control': 'max-age=0',
        'Connection': 'keep-alive',
        'Host': 'www.douban.com',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
    }

    def __init__(self, url='1638835355', *args, **kwargs):
        self.allowed_domains = ['douban.com']
        self.start_urls = [
            'http://www.douban.com/photos/album/%s/' % (url)]
        self.url = url
        # call the father base function

        # super(download_douban, self).__init__(*args, **kwargs)

    def start_requests(self):

        for url in self.start_urls:
            yield Request(url=url, headers=self.default_headers, callback=self.parse)

    def parse(self, response):
        list_imgs = response.xpath('//div[@class="photolst clearfix"]//img/@src').extract()
        if list_imgs:
            item = DoubanImgsItem()
            item['image_urls'] = list_imgs
            yield item

（4）在pipelines.py中自定義ImagePipeline代碼：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy import Request
from scrapy import log


class DoubanImgsPipeline(object):
    def process_item(self, item, spider):
        return item


class DoubanImgDownloadPipeline(ImagesPipeline):
    default_headers = {
        'accept': 'image/webp,image/*,*/*;q=0.8',
        'accept-encoding': 'gzip, deflate, sdch, br',
        'accept-language': 'zh-CN,zh;q=0.8,en;q=0.6',
        'cookie': 'bid=yQdC/AzTaCw',
        'referer': 'https://www.douban.com/photos/photo/2370443040/',
        'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
    }

    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            self.default_headers['referer'] = image_url
            yield Request(image_url, headers=self.default_headers)

    def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        item['image_paths'] = image_paths
        return item

在自定義ImagePipeline代碼中，作爲重要的是要重載get_media_requests(self, item, info)和item_completed(self, results, item, info)這兩個函數。

get_media_requests(self,item, info)：

ImagePipeline根據image_urls中指定的url進行爬取，可以通過get_media_requests爲每個url生成一個Request。如：

for image_url in item['image_urls']:
            self.default_headers['referer'] = image_url
            yield Request(image_url, headers=self.default_headers)

item_completed(self, results, item, info)：

圖片下載完畢後，處理結果會以二元組的方式返回給item_completed()函數。這個二元組定義如下：

(success, image_info_or_failure)

其中，第一個元素表示圖片是否下載成功；第二個元素是一個字典。如：

 def item_completed(self, results, item, info):
        image_paths = [x['path'] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        item['image_paths'] = image_paths
        return item