scrapy图片数据爬取之ImagesPipeline

基于scrapy爬取字符串类型的数据和爬取图片类型的数据区别？

• 字符串：只需要基于xpath进行解析且提交管道进行持久化存储
• 图片：xpath解析出图片src的属性值，单独的对图片地址发起请求获取图片二进制类型的数据

ImagesPipeline：

只需要将img的src的属性值进行解析，提交到管道，管道就会对图片的src进行请求发送获取图片的二进制类型的数据，且还会帮我们进行持久化存储。

---

需求：爬取站长素材的高清图片

使用流程：

1、数据解析（图片的地址）

import scrapy
from imgsPro.items import ImgsproItem

class ImgSpider(scrapy.Spider):
    name = 'img'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://sc.chinaz.com/tupian/']

    def parse(self, response):
        div_list = response.xpath('//div[@id="container"]/div')
        for div in div_list:
            # src = div.xpath('.//div/a/img/@src').extract_first()
            # 注意：使用伪属性
            src = div.xpath('.//div/a/img/@src2').extract_first()
            item = ImgsproItem()
            item['src'] = src

            yield item

import scrapy


class ImgsproItem(scrapy.Item):
    # define the fields for your item here like:
    src = scrapy.Field()

2、将存储的图片地址的item提交到制定的管道类

3、在管道文件中自定制一个基于ImagesPipeline的一个管道类,并重写以下方法

• get_media_requests # 就是可以根据图片地址进行图片数据的请求
• file_path # 指定图片存储的路径
• item_completed # 返回给下一个即将被执行的管道类

from scrapy.pipelines.images import ImagesPipeline
import scrapy

class imagesPipeLine(ImagesPipeline):
    # 就是可以根据图片地址进行图片数据的请求
    def get_media_requests(self, item, info):
        yield scrapy.Request(item['src'])

    # 指定图片存储的路径
    def file_path(self, request, response=None, info=None):
        imgName = request.url.split('/')[-1]
        return imgName

    def item_completed(self, results, item, info):
        return item  # 返回给下一个即将被执行的管道类

4、在配置文件中

• 指定图片存储的目录：IMAGES_STORE = './imgs_me'

• 指定开启的管道：自定制的管道类

# 指定图片存储的目录，没有即自动创建
IMAGES_STORE = './imgs_me'


ITEM_PIPELINES = {
   'imgsPro.pipelines.imagesPipeLine': 300,
}