python scrapy學習demo分享

前言
一個高級測試工程師在自學Python後，向我推薦的一個比較容易上手的Python 框架scrapy。在網上搜索了一下資料後感覺挺有趣的，就想着自己也搭建個環境，然後做一個爬取圖片的demo玩下。

開發環境搭建

Python安裝

下載地址：https://www.python.org/getit/
這裏我下載的是3.8.0的版本（我的安裝目錄是：D:\python\Python38-32）
安裝完後設置環境變量：在path中追加：D:\python\Python38-32; D:\python\Python38-32\Scripts
升級pip
輸入命令：

python -m pip install --upgrade pip

安裝scrapy依賴的模塊

安裝wheel

進入cmd執行命令命令：

> pip install wheel

安裝pywin32
下載地址：https://github.com/mhammond/pywin32/releases
由於我安裝的Python是32位的，估選擇win32-py3.8版本，下載後雙擊安裝即可

安裝 lxml
運行命令：

> pip install lxml

安裝Twisted
由於直接使用命令在線安裝一直報下載超時，估採用離線安裝的方式
下載地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

運行命令：

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

安裝scrapy

運行命令：

> pip install scrapy

到目前爲止就完成了scrapy環境的搭建，相對簡單

編寫demo

準備內容

被爬網站
選擇百度圖片首頁：http://image.baidu.com/
規則分析
首先想到的是通過xpath的方式來爬取圖片，xpath語句：//div[@class=“imgrow”]/a/img/@src。但是在編寫爬蟲(Spiders)的時候發現http://image.baidu.com/請求並沒有將圖片的URL直接返回，而是通過後面的異步請求獲取，而且返回的是一個json字符串，估xpath方式行不通。
更換異步請求的URL爲被爬網站：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

創建scrapy項目 ImagesRename

運行命令：

> scrapy startproject ImagesRename

執行完後生成項目的目錄結構如圖：

其中：
spiders目錄：用於放置爬蟲文件
items.py：用於保存所抓取的數據的容器，其存儲方式類似於 Python 的字典
pipelines.py：核心處理器，對爬取到的內容進行相應的操作，如：下載，保存等
settings.py：配置文件，修改USER_AGENT、存儲目錄等信息
scrapy.cfg：項目的配置文件

編寫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

創建蜘蛛文件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/  並沒有返回圖片鏈接，而是通過異步請求接口獲取的，爬取的URL必須是異步請求的鏈接
    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):
        # 實例化item
        item = ImagesrenameItem()
        #解析異步請求返回的json字符串
        #經過分析需要的圖片鏈接保存在json——》data——》hoverURL
        jsonString = json.loads(response.text)
        data = jsonString["data"]
        imgUrls = []
        #循環將圖片URL保存到數組中
        for d in data:
            if d:
                hov = d["hoverURL"]
                imgUrls.append(hov)

        item['imgurl'] = imgUrls
        yield item

編寫核心處理器圖片下載中間件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):
        # 循環每一張圖片地址下載
        for image_url in item['imgurl']:
            #發起圖片下載的請求
            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,
}

# 設置圖片存儲目錄
IMAGES_STORE = 'E:\圖片'

啓動程序下載圖片

運行命令：

scrapy crawl ImgsRename

到目前爲止就已經完成了一個簡單的圖片爬取程序，結果如圖：

當然這些下載的文件名稱是一個隨機數，如果需要按照一個格式的文件名存儲則可以重新ImagesPipeline類的file_path方法即可，這裏就不做詳細的介紹