爬蟲 Scrapy框架 爬取圖蟲圖片並下載

来源:https://www.cnblogs.com/pantom0122/archive/2018/08/27/9540299.html
-Advertisement-
Play Games

items.py setting.py pipelines.py 爬蟲文件 tuchong.py ...


items.py,根據需求確定自己的數據要求

 1 # -*- coding: utf-8 -*-
 2 
 3 # Define here the models for your scraped items
 4 #
 5 # See documentation in:
 6 # https://doc.scrapy.org/en/latest/topics/items.html
 7 
 8 import scrapy
 9 
10 
11 class TodayScrapyItem(scrapy.Item):
12     # define the fields for your item here like:
13     # name = scrapy.Field()
14     pass
15 
16 
17 class TuchongItem(scrapy.Item):
18     title = scrapy.Field() #圖片名字
19     views = scrapy.Field() #瀏覽人數
20     favorites = scrapy.Field()#點贊人數
21     img_url = scrapy.Field()#圖片地址
22 
23     # def get_insert_sql(self):
24     #     # 存儲時候用的sql語句
25     #     sql = 'insert into tuchong(title,views,favorites,img_url)' \
26     #           ' VALUES (%s, %s, %s, %s)'
27     #     # 存儲的數據
28     #     data = (self['title'], self['views'], self['favorites'], self['img_url'])
29     #     return (sql, data)

setting.py 設置headers和items

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

# Scrapy settings for today_scrapy project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'today_scrapy'

SPIDER_MODULES = ['today_scrapy.spiders']
NEWSPIDER_MODULE = 'today_scrapy.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'today_scrapy (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agnet':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}

# Enable or disable spider middlewares
# See https://doc.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'today_scrapy.middlewares.TodayScrapySpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'today_scrapy.middlewares.TodayScrapyDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://doc.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   # 'today_scrapy.pipelines.TodayScrapyPipeline': 300,
    'today_scrapy.pipelines.TuchongPipeline': 200,

}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

pipelines.py 將圖片下載到指定文件夾

 1 # -*- coding: utf-8 -*-
 2 
 3 # Define your item pipelines here
 4 #
 5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 6 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
 7 import os
 8 import requests
 9 
10 class TodayScrapyPipeline(object):
11     def process_item(self, item, spider):
12         return item
13 
14 class TuchongPipeline(object):
15     def process_item(self, item, spider):
16         img_url = item['img_url'] #從items中得到圖片url地址
17         img_title= item['title'] #得到圖片的名字
18         headers = {
19             'User-Agnet': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
20             'cookie':'webp_enabled=1; bad_ide7dfc0b0-b3b6-11e7-b58e-df773034efe4=78baed41-a870-11e8-b7fd-370d61367b46; _ga=GA1.2.1188216139.1535263387; _gid=GA1.2.1476686092.1535263387; PHPSESSID=4k7pb6hmkml8tjsbg0knii25n6'
21         }
22         if not os.path.exists(img_title):
23             os.mkdir(img_title)
24         filename =img_url.split('/')[-1]
25         with open(img_title+'/'+filename, 'wb+') as f:
26             f.write(requests.get(img_url, headers=headers).content)
27         f.close()
28         return item

爬蟲文件

tuchong.py

圖片的url可以直接拼接

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 import json
 4 from today_scrapy.items import TuchongItem
 5 
 6 
 7 class TuchongSpider(scrapy.Spider):
 8     name = 'tuchong'
 9     allowed_domains = ['tuchong.com']
10     start_urls = ['http://tuchong.com/']
11 
12     def start_requests(self):
13         for pag in range(1, 20):
14             referer_url = 'https://tuchong.com/rest/tags/自然/posts?page={}&count=20'.format(pag)   # url中紅字部分可以換
15             form_req = scrapy.Request(url=referer_url, callback=self.parse)
16             form_req.headers['referer'] = referer_url
17             yield form_req
18 
19     def parse(self, response):
20         tuchong_info_html = json.loads(response.text)
21         # print(tuchong_info_html)
22         postList_c = len(tuchong_info_html['postList'])
23         # print(postList_c)
24         for c in range(postList_c):
25             print(c)
26             # print(tuchong_info_html['postList'][c])
27             title = tuchong_info_html['postList'][c]['title']
28             print('圖集名稱:'+title)
29             views = tuchong_info_html['postList'][c]['views']
30             print(''+str(views)+'人瀏覽')
31             favorites = tuchong_info_html['postList'][c]['favorites']
32             print('喜歡的人數:'+str(favorites))
33             images_c = len(tuchong_info_html['postList'][c]['images'])
34             for img_c in range(images_c):
35                 user_id = tuchong_info_html['postList'][c]['images'][img_c]['user_id']
36                 img_id = tuchong_info_html['postList'][c]['images'][img_c]['img_id']
37                 img_url = 'https://photo.tuchong.com/{}/f/{}.jpg'.format(user_id,img_id)
38                 item = TuchongItem()
39                 item['title'] = title
40                 item['img_url'] = img_url
41             # 返回我們的item
42                 yield item

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • vue-picture-preview-extend vue-picture-preview的擴展版本,本文中插件是由其他大神開發,我做了一些擴展,原文鏈接:https://segmentfault.com/u/x_logic。 預覽(原文章的預覽,非擴展後的) 安裝 使用 首先在項目的入口文件中引 ...
  • 在做項目之前老師就給我們封裝好了一個js文件,解決計算中丟失精度的一些函數,直接引用js文件就可以使用。 eg: var numA = 0.1; var numB = 0.2; alert( numA + numB ); 出現結果:0.1 + 0.2 = 0.30000000000000004 為什 ...
  • 【構想】 CSS3 + JS CSS3控制進度 利用CSS3中的 @keyframes JS實現百分比 根據CSS來調整,時間 【頁面代碼】 CSS代碼 HTML代碼 JS代碼 ...
  • 工作變更,又走回了WPF,一個來月沒有接觸web開發了,之前的KnockoutJS卻不想放棄,繼續進行知識的鞏固,下個月開始重新走回web開發之路,還是得用回一些習慣了的工具。本次開始接觸各綁定元素功能、用法,這些綁定方式是在使用ko過程中用的最多的。 本文地址: https://www.cnblo ...
  • 【問題來源】 今天做單次倒計時,利用JS更改了button樣式之後,再次點擊時,發現hover效果消失。 原因: CSS的優先順序問題導致 【解決方法】 利用!important提高hover的優先順序 ...
  • 配置參數 預設值 說明 服務註冊中心配置 Bean類:org.springframework.cloud.netflix.eureka.server.EurekaServerConfigBean eureka.server.enable-self-preservation false 關閉註冊中心的 ...
  • 一,設計目標 以ES為核心建立數據集中處理平臺,支持從各個應收系統採集數據,進行清洗與轉換,之後可以進行聚合操作,對外提供API查詢; 全平臺支持數據集自建,支持轉換,查詢規則自由配置。 二,設計需求 1.系統支持自由建立數據集,每個數據集對應一個ES的一個索引的別名。(不要直接用索引名,以後更改名 ...
  • 1、final 關鍵字 2、static 關鍵字 3、匿名對象 4、內部類 5、包的聲明與訪問 6、訪問修飾符 7、代碼塊 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...