python编程scrapy简单代码实现搜狗图片下载器

学习任何编程技术，都要有紧有送，今天这篇博客就到了放松的时候了，我们学习一下如何用 scrapy 下载图片吧。

目标站点说明

这次要采集的站点为搜狗图片频道，该频道数据由接口直接返回，接口如下：

https://pic.sogou.com/napi/pc/recommend?key=homefeeddata&category=feed&start=10&len=10
https://pic.sogou.com/napi/pc/recommend?key=homefeeddata&category=feed&start=20&len=10

其中只有 start 参数在发生变化，所以实现起来是比较简单的。

编写核心爬虫文件

import scrapy
class sgspider(scrapy.spider):
    name = 'sg'
    allowed_domains = ['pic.sogou.com']
    base_url = "https://pic.sogou.com/napi/pc/recommend?key=homefeeddata&category=feed&start={}&len=10"
    start_urls = [base_url.format(0)]
    def parse(self, response):
        json_data = response.json()
        if json_data is not none:
            img_list = json_data["data"]["list"]
            for img in img_list:
                yield {'image_urls': [_["originimage"] for _ in img[0]["piclist"]]}
        else:
            return none

上述代码直接调用了第一页的接口数据，后续代码都是在对json数据中的图片地址进行提取。

其中最重要的一行代码如下：

yield {'image_urls': [_["originimage"] for _ in img[0]["piclist"]]}

这里的 image_urls 是为了调用 scrapy 内置的图片下载中间件，固定的参数。

settings.py
该文件也需要进行修改，具体细节如下所示：

# 用户代理设置
user_agent = 'mozilla/5.0 (windows nt 6.1; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/95.0.4638.54 safari/537.36'
# obey robots.txt rules
robotstxt_obey = false
# 下载间隔设置为 3 秒
download_delay = 3
# 默认请求头
default_request_headers = {
    'accept': 'application/json, text/plain, */*',
    'accept-encoding': 'gzip, deflate, br',
    'accept-language': 'zh-cn,zh;q=0.9',
    'host': 'pic.sogou.com',
}
# 开启 imagespipeline 图片保存管道
item_pipelines = {
    'scrapy.pipelines.images.imagespipeline': 1,
}
# 图片存储文件夹
images_store = "images"

运行代码图片就会自动进行下载，保存到 images 目录中，下载完毕输出如下信息，本次仅采集第一页数据，顾得到40张图片。

如果你代码运行之后，没有下载到目标图片，请确定是否出现如下bug。

imagespipeline requires installing pillow 4.0.0

解决办法非常简单，安装 pillow 库即可。

还存在一个问题是文件名是动态的，看起来有点乱。

在 pipelines.py 文件中增加一个自定义文件名称的数据管道。

class sogouimgpipeline(imagespipeline):
    def get_media_requests(self, item, info):
        name = item["name"]
        for index, url in enumerate(item["image_urls"]):
            yield request(url, meta={'name': name, 'index': index})
    def file_path(self, request, response=none, info=none):
        # 名称
        name = request.meta['name']
        # 索引
        index = request.meta['index']
        filename = u'{0}_{1}.jpg'.format(name, index)
        print(filename)
        return filename

上述代码的主要功能是重新命名了图片文件名，下面同步修改 sgspider 类中的相关代码。

def parse(self, response):
    json_data = response.json()
    if json_data is not none:
        img_list = json_data["data"]["list"]
        for img in img_list:
            yield {
                'name': img[0]['title'],
                'image_urls': [_["originimage"] for _ in img[0]["piclist"]],
            }
    else:
        return none

再次运行代码，图片保存之后，文件名就变得易识别了许多。

最后补全下一页的逻辑即可实现本案例啦，这一步骤留给你来完成。

以上就是使用python scrapy简单代码实现搜狗图片下载器的详细内容，更多关于python scrapy实现搜狗图片下载器的资料请关注www.887551.com其它相关文章！