当前位置 : 主页 > 手机开发 > 其它 >

Image Pipeline

来源:互联网 收集:自由互联 发布时间:2021-06-22
Image Pipeline Scrapy 提供了专门下载文件或者图片的Pipeline,下载图片与文件的原理同抓取网页的原理是一样的,所以他们的下载过程支持多线程与异步,十分的高效 Image Pipeline的工作流程

Image Pipeline

Scrapy 提供了专门下载文件或者图片的Pipeline,下载图片与文件的原理同抓取网页的原理是一样的,所以他们的下载过程支持多线程与异步,十分的高效

Image Pipeline的工作流程

  1. itemPipeline从item中获取需要下载的数据,通过Request重新放入到项目队列等待调度器调度下载
  2. 当图片下载完成,另一个组(images)将被更新到结构中,其中包括下载图片的信息,比如下载路径,源抓取地址(从image_urls组获得)和图片的校验码. images列表中的图片顺序将和源image_urls组保持一致.如果某个图片下载失败,将会记录下错误信息,图片也不会出现在images组中

参考链接

案例

  1. 首先在settings中配置图片存放路径

    IMAGES_STORE = './images'
  2. 在item中定义需要的数据结构

    class Images360Item(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        collection = table = "images"
        id = scrapy.Field()
        title = scrapy.Field()
        url = scrapy.Field()
        thumb = scrapy.Field()
  3. 定义spider与parse

    import scrapy
    from urllib.parse import urlencode
    from scrapy import Request
    from images360.images360.items import Images360Item
    
    class ImagesSpider(scrapy.Spider):
        name = 'images'
        allowed_domains = ['images.so.com']
        start_urls = ['http://images.so.com/']
    
        def start_requests(self):
            data = {'ch': 'photography',
                    'listtype': 'hot', }
            base_url = 'http://images.so.com/zj?'
            for page in range(1, self.settings.get('MAX_PAGE_SIZE') + 1):
                sn = page * 30
                data['sn'] = sn
                params = urlencode(data)
                url = base_url + params
                print(url)
                yield Request(url, self.parse)
    
        def parse(self, response):
            html = json.loads(response.text)
            datas = html.get('list', '')
            if datas:
                for data in datas:
                    images_item = Images360Item()
                    images_item['id'] = data.get('imageid', '')
                    images_item['title'] = data.get('group_title', '')
                    images_item['url'] = data.get('qhimg_url', '')
                    images_item['thumb'] = data.get('qhimg_thumb_url', '')
                    yield images_item
  4. 定义项目管道

    from scrapy import Request
    from scrapy.exceptions import DropItem
    from scrapy.pipelines.images import ImagesPipeline
    
    class ImagesPipeline(ImagesPipeline):
    
        # 将item中的url取出来 通过Request继续放入到调度器中执行
        def get_media_requests(self, item, info):
            yield Request(item['url'])
    
        # request对应的是当前下载对象,该函数用于放回 文件名
        def file_path(self, request, response=None, info=None):
            url = request.url
            print('url============', url)
            file_name = url.split('/')[-1]
            return file_name
    
        # 单个item完成下载时的处理方法
        def item_completed(self,results,item,info):
                 # results为Item对应的下载结果
            # print(results) 
            # [(True, {'url': 'http://p2.so.qhimgs1.com/t01b866193d9b2101de.jpg', 'path': 't01b866193d9b2101de.jpg',
            #          'checksum': 'e074b5cbacd22ac38480d84506fedf02'})]
    
            image_path = [x['path'] for ok,x in results if ok]
            if image_path:
                return item
            else:
                raise DropItem('image download failed')

    注:ImagePipeline的优先级别应该比存入数据库的级别高

网友评论