ImagePipeline
Scrapy用ImagesPipeline类提供一种方便的方式来下载和存储图片。需要PIL库支持。
主要特征
- 将下载图片转换成通用的JPG和RGB格式
- 避免重复下载
- 缩略图生成
- 图片大小过滤
工作流程
- 爬取一个Item，将图片的URLs放入
image_urls字段 - 从
Spider返回的Item，传递到Item Pipeline - 当
Item传递到ImagePipeline，将调用Scrapy 调度器和下载器完成image_urls中的url的调度和下载。ImagePipeline会自动高优先级抓取这些url，于此同时，item会被锁定直到图片抓取完毕才被解锁。 - 图片下载成功结束后，图片下载路径、url和校验和等信息会被填充到images字段中。
定义Item
使用ImagePipeline需要在配置文件中配置ITEM_PIPELINES属性，并定义一个Item包含image_urls和images字段
class ImageItem(Item):
image_urls = Field()
images = Field()
image_paths = Field()
设置条件和属性settings.py
ITEM_PIPELINES = ['demo.pipelines.MyImagesPipeline'] # ImagePipeline的自定义实现类
IMAGES_STORE = 'D:\\dev\\python\\scrapy\\demo\\img' # 图片存储路径
IMAGES_EXPIRES = 90 # 过期天数
IMAGES_MIN_HEIGHT = 100 # 图片的最小高度
IMAGES_MIN_WIDTH = 100 # 图片的最小宽度
# 图片的尺寸小于IMAGES_MIN_WIDTH*IMAGES_MIN_HEIGHT的图片都会被过滤
ImageSpider
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from demo.items import ImageItem
class MyImageSpider(BaseSpider):
name = "image_spider"
allowed_domains = ["http://topit.me/"]
start_urls = [
"http://topit.me/",
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
imgs = hxs.select('//img/@src').extract()
item = ImageItem()
item['image_urls']=imgs
return item
ImagePipeline
需要在自定义的ImagePipeline类中重载的方法：get_media_requests(item, info)和item_completed(results, items, info)
正如工作流程所示，Pipeline将从item中获取图片的URLs并下载它们，所以必须重载get_media_requests，并返回一个Request对象，这些请求对象将被Pipeline处理，当完成下载后，结果将发送到item_completed方法，这些结果为一个二元组的list，每个元祖的包含(success, image_info_or_failure)。
success:boolean值，true表示成功下载image_info_or_error：如果success=true，image_info_or_error词典包含以下键值对。失败则包含一些出错信息。url：原始URLpath：本地存储路径checksum：校验码
from scrapy.contrib.pipeline.images import ImagesPipeline from scrapy.exceptions import DropItem from scrapy.http import Request
class MyImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info): for image_url in item['image_urls']: yield Request(image_url) 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
运行结果
$ scrapy crawl image_spider
.....
2013-09-10 15:49:48+0800 [image_spider] DEBUG: Scraped from <200 http://topit.me/>
{'image_paths': ['full/4285ec809413767e8dd5daf4a57fbfe97d964e2e.jpg',
'full/b8088f68ba1d569c96b04a3664e115d4833544be.jpg',
....
'full/97f2272a06191cda15abda57e03ec29eb5c51959.jpg',
'full/9afc3ed6b6cf8259b4065a0d2d79f49b6670c51b.jpg'],
'image_urls': [u'http://img.topit.me/logo.gif',
u'http://fe.topit.me/e/a3/43/117387157785b43a3em.jpg',
...
u'http://i.topit.me/9/v/3LOGi2v9m.jpg',
u'http://www.topit.me/img/link/mobile.jpg']}
2013-09-10 15:49:48+0800 [image_spider] INFO: Closing spider (finished)
....