使用scrapy內置方法下載文件的好處:
1. 避免重新下載最近已經下載過的數據;
2. 可以方便的指定文件存儲的路徑;
3. 可以將下載的圖片轉換成通用的格式。如: png、jpg;
4. 可以方便的生成縮略圖;
5. 可以方便的檢測圖片的寬和高,確保他們滿足最小限制;
6. 異步下載,效率非常高;
scrapy提供了`FilesPipeline`和`ImagesPipeline`兩種Pipeline來幫助我們自動將圖片存儲到我們的電腦上,可以認為它們就是下載器,這兩種方式沒有太大的區別,并且它們是可以同時使用的。
<br/>
兩種Pipeline的使用步驟如下:
**1. 在`items.py`中定義`image_urls`和`images`字段**
```python
"""
@Date 2021/4/9
"""
import scrapy
class CareerstencentItem(scrapy.Item):
# 使用ImagesPipeline則定義image_urls和images
image_urls = scrapy.Field()
images = scrapy.Field()
# FilesPipeline則定義file_urls和files
# file_urls = scrapy.Field()
# files = scrapy.Field()
pass
```
<br/>
**2. 在`settings.py`中配置文件相關屬性**
```python
############## 必須指定的配置 ##################
# 指定Pipeline類型
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1
#'scrapy.pipeline.files.FilesPipeline': 1
}
# 下載文件到你的電腦上的存儲路徑
# 如果你的存儲的路徑為F:/images/,scrapy則會將文件自動保存到 F:/images/full 目錄
# 存儲到你的電腦上的圖片重命名為圖片url路徑的hash值,
# 如圖片的路徑為http://www.example.com/image.jpg,則存儲到你的電腦的圖片命令為3afec3b4765f8f0a07b78f98c07b83f013567a0a.jpg
IMAGES_STORE = "F:/images/"
# FILES_STORE = "F:/images/"
############## 可選的配置 ##################
# 說明90天或30天內不會下載同一張圖片,可避免重復下載
# FILES_EXPIRES = 90
IMAGES_EXPIRES = 30
# 生成縮略圖
# 如果設置的大小大于原始圖片的大小,則默認為原始圖片大小
# 如果小于原始圖片則采用你定義的大小
# 保存的路徑有如下三個路徑
# F:/images/full/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg 原始大小
# F:/images/thumbs/small/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg
# F:/images/thumbs/big/63bbfea82b8880ed33cdb762aa11fab722a90a24.jpg
IMAGES_THUMBS = {
'small': (50, 50),
'big': (270, 270),
}
# 過濾height<110并且width<110的圖片,但是不影響縮略圖的生成
IMAGES_MIN_HEIGHT = 110
IMAGES_MIN_WIDTH = 110
```
<br/>
**3. 在你的爬蟲代碼中返回文件的資源路徑**
```python
import scrapy
from CareersTencent.items import CareerstencentItem
class PicturesSpider(scrapy.Spider):
name = 'pictures'
allowed_domains = ['www.wxapp-union.com']
start_urls = ['http://www.wxapp-union.com/']
def parse(self, response):
item = CareerstencentItem()
img_src_list = response.xpath("//div[@id='diy_con1']//ul[@id='itemContainer']//img/@src").extract()
for src in img_src_list:
# https://www.wxapp-union.com/./data/attachment/block/db/db034088ff685c241b1f7586886869c3.jpg
item["image_urls"] = ["https://www.wxapp-union.com/" + src]
yield item
pass
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理