python编程scrapy简单代码实现搜狗图片下载器 python编程scrapy简单代码实现搜

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=10https://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 scrapyclass 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 = https://www.it610.com/article/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 rulesROBOTSTXT_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。

文章图片

【python编程scrapy简单代码实现搜狗图片下载器】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。

文章图片

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 = https://www.it610.com/article/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。