基于Scrapy框架爬取ajax图片并保存本地

先上一波福利

66347-2.jpg
66250-5.jpg
66158-3.jpg
68185.jpg
68205.jpg
俗话说:授人予鱼不如授人以渔,上代码讲解

项目结构


WeChat74777e08e1d4298d3488d1c28ed68255.png

首先获取到妹子图的定位来获取URL


屏幕快照 2020-06-20 上午11.44.27.png

右击copy选择Xpath就可以直接复制了

#找到妹子图的链接
 url = response.xpath('//*[@id="home-collections"]/ul/li[4]/div/div[1]/a/@href').extract()[0] 

进入到下个页面获取页面的全部URL,但是我发现是用ajax动态加载图片的。
怎么获得ajax信息获取下一页呢?
我们F12选择Network,点击XHR可以发现静态文件


屏幕快照 2020-06-20 上午11.55.48.png

点击滑到最下面,可以看到FormData的数据


屏幕快照 2020-06-20 上午11.57.08.png

没错,就是这数据
        for i in range(76):   #妹子图一共有76页
            formdata = {
                'type': 'collection29',
                'paged': str(i+1)   #paged是从1开始的
            }
            # Scrapy动态加载ajax请求,并使用回调函数进行深一层的爬取
            yield scrapy.FormRequest(url, callback=self.parse_page, formdata=formdata)

然后进入更深层次的挖掘,获取到所有页面上的URL


屏幕快照 2020-06-20 下午12.03.24.png
    def parse_page(self, response):
        urls = response.xpath('//*[@id="main"]/div[1]/div/div/div[1]/a/@href').extract() #获取到当前页面的全部url
        for url in urls:
      #使用回调函数进行深一层的爬取
            yield scrapy.Request(url, callback=self.parse_img)  

然后进入更深层次的挖掘,图片标题的爬取,和每张图片的爬取


屏幕快照 2020-06-20 下午12.07.23.png
    def parse_img(self, response):
        item = BeautifulgirlItem()
        name = response.xpath('//*[@id="post-single"]/h1/text()').extract()[0] #获取到每个图集的标题
        print(name)
        item['name'] = name
        img_urls = response.xpath('//*[@id="content-innerText"]/p/img/@src').extract() #获取到每张图片的URL
        for img_url in img_urls:
            item['img_url'] = img_url
            print(img_url)
            yield item

下面我把代码整合一下
peibanni.py

# -*- coding: utf-8 -*-
import scrapy
from beautifulgirl.items import BeautifulgirlItem

class PeibanniSpider(scrapy.Spider):
    name = 'peibanni'
    allowed_domains = ['www.peibanni.com']
    start_urls = ['https://www.peibanni.com/']

    def parse(self, response):
        url = response.xpath('//*[@id="home-collections"]/ul/li[4]/div/div[1]/a/@href').extract()[0] #找到妹子图的链接
        for i in range(76):
            formdata = {
                'type': 'collection29',
                'paged': str(I+1)
            }
            # Scrapy动态加载ajax请求,并使用回调函数进行深一层的爬取
            yield scrapy.FormRequest(url, callback=self.parse_page, formdata=formdata)

    def parse_page(self, response):
        urls = response.xpath('//*[@id="main"]/div[1]/div/div/div[1]/a/@href').extract() #获取到当前页面的全部url
        for url in urls:
            yield scrapy.Request(url, callback=self.parse_img)  #使用回调函数进行深一层的爬取

    def parse_img(self, response):
        item = BeautifulgirlItem()
        name = response.xpath('//*[@id="post-single"]/h1/text()').extract()[0] #获取到每个图集的标题
        print(name)
        item['name'] = name
        img_urls = response.xpath('//*[@id="content-innerText"]/p/img/@src').extract() #获取到每张图片的URL
        for img_url in img_urls:
            item['img_url'] = img_url
            print(img_url)
            yield item

接着是图片数据的保存
在item.py中

import scrapy

class BeautifulgirlItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field() #图片的名称
    img_url = scrapy.Field() #图片的URL

在pipeline中,使用内置的图片解析ImagesPipeline

import scrapy
from scrapy.pipelines.images import ImagesPipeline

# class BeautifulgirlPipeline(object):
#     def process_item(self, item, spider):
#         return item

class BeautifulgirlPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        #这个方法会循环执行,前面每次传入一个item,这个item就交给引擎
        #引擎又会交给管道来执行,管道里有一系列的内置方法,这些方法会依次执行
        yield scrapy.Request(url=item['img_url'], meta={'item':item})

    def file_path(self, request, response=None, info=None):
        item = request.meta['item']
        #获取到每张图片在URL中的名字,来达到去重到目的
        # 比如"https://www.peibanni.com/wp-content/uploads/2020/06/68215.jpg",就获取到了68215.jpg,
        img_tail = request.url.split('/')[-1]
        path = u'{0}/{1}'.format(item['name'],img_tail)
        return path

屏幕快照 2020-06-20 下午12.23.17.png

最后别忘记在setting.py中设置,
IMAGES_STORE不能拼错,拼错了就无法保存本地了!

IMAGES_STORE = 'images'

setting.py的完整版

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

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

BOT_NAME = 'beautifulgirl'

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


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'beautifulgirl (+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://docs.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',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.0.3 Safari/605.1.15',
}


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

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

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

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'beautifulgirl.pipelines.BeautifulgirlPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.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://docs.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'


IMAGES_STORE = 'images'

如果觉得我写的还不错,就给我一个大大赞,你的支持是我的动力!

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,236评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,867评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,715评论 0 340
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,899评论 1 278
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,895评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,733评论 1 283
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,085评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,722评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,025评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,696评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,816评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,447评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,057评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,009评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,254评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,204评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,561评论 2 343