码迷,mamicode.com
首页 > 其他好文 > 详细

使用scrapy框架爬取蜂鸟论坛的摄影图片并下载到本地

时间:2018-08-31 13:22:19      阅读:229      评论:0      收藏:0      [点我收藏+]

标签:插入   文件   forum   数据库   latest   爬虫   shadow   cep   rom   

目标网站:http://bbs.fengniao.com/
使用框架:scrapy

因为有很多模块的方法都还不是很熟悉,所有本次爬虫有很多代码都用得比较笨,希望各位读者能给处意见

首先创建好爬虫项目,并使用crawl模板创建爬虫文件

通过观察论坛的规律得出,很多贴子的页数往往大于一页,那么要将贴子里各页的图片下载到同一文件夹内,并且不能重名,就是获取到当前的页码数,已页码数+自然数的方式命令文件。
发现scrapy自动爬虫会爬很多重复的页面,度娘后得出两个解决方法,第一个是用布隆过滤器,布隆过滤器相对于目前的我来说太过深奥,于是便采用了将URL写入mysql的方式,通过mysql键的唯一性来去重复。

先编写items文件

import scrapy

class FengniaoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title=scrapy.Field()                                     #定义贴子名
    images=scrapy.Field()                              #定义图片链接
    act=scrapy.Field()                                     #定义页码数
    thisurl=scrapy.Field()                                 #定义当前url

其次是爬虫文件,这里命名为s1.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from fengniao.items import FengniaoItem
from scrapy import Request

class S1Spider(CrawlSpider):
    name = ‘s1‘
    allowed_domains = [‘bbs.fengniao.com‘]
    #start_urls = [‘http://bbs.fengniao.com/‘]

    def start_requests(self):
        url=‘http://bbs.fengniao.com/forum/forum_101.html/‘                                         #爬虫开始的网址                      
        ua={"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36"}               #设置浏览器ua模拟浏览器
        yield Request(url,headers=ua)                      
    rules = (
        Rule(LinkExtractor(allow=r‘forum/‘), callback=‘parse_item‘, follow=True),                              #allow=r‘forum/‘ 设置爬取的网址的规律
    )

    def parse_item(self, response):
        item = FengniaoItem()
        item["thisurl"]=response.url                                                                                                       #获取当前页面
        item["title"]=response.xpath("/html/head/title/text()").extract()                                                #获取当前标题
        item["images"]=response.xpath("//div[@class=‘img‘]//img/@src").extract()                         #获取当前的图片url
        item["act"]=response.xpath("//a[@class=‘act‘]/text()").extract()                                              #获取当前的页码
        #i[‘domain_id‘] = response.xpath(‘//input[@id="sid"]/@value‘).extract()
        #i[‘name‘] = response.xpath(‘//div[@id="name"]‘).extract()
        #i[‘description‘] = response.xpath(‘//div[@id="description"]‘).extract()
        return item

当然啦,在settings.py里要开启pipelines 设置浏览器ua
然后我们在pipelines.py里开始处理我们的爬到的东西

# -*- coding: utf-8 -*-
import os
import urllib.request
import re
import pymysql
# Define your item pipelines here
#
# Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

class FengniaoPipeline(object):

    def process_item(self, item, spider):

        images=item["images"]                                                      #将图片链接列表赋给images变量
        thisurl = item["thisurl"]                                                          #将当前网址赋值费thisurl变量 
        conn=pymysql.connect(host=‘127.0.0.1‘,user=‘root‘,passwd=‘root‘,db=‘dd‘,charset=‘utf8‘)           #创建数据库连接
        cursor=conn.cursor()                                                                                                           #创建游标
        sql="insert into fengniao(link) values(‘" + thisurl + "‘)"                                                      编写数据库代码将当前链接插入数据库 

        try:                                                                                             #做一个异常处理,如果可以插进数据库,说明当前网址没有爬出过
            cursor.execute(sql)                                                                  
            conn.commit()

            if len(images)>0:                                                                     #监测当前网址图片链接是否存在 ,如果存在则执行下面的操作
                title = item["title"][0]                                                              #将帖子名提取出来并赋值给title
                new_title = title.replace("【有图】", "")                            #使用replace方法将【有图】 去掉
                act = item["act"][0]  # 当前页码数                                      #提取当前的页码数并赋值给act
                print(act)

                print(thisurl)
                folder = "E:/PAS/fengniao1/" + new_title + ‘/‘      # 构造文件夹目录  以帖子名命名
                folder_test = os.path.exists(folder)                  # 监测文件夹是否存在
                if not folder_test:                                       #如果文件夹不存在
                    os.mkdir(folder)                                  #创建文件夹
                    print("创建文件夹"+new_title+"成功")

                else:                                                 #如果文件夹存在
                    print("文件夹"+new_title+"已存在")

                print("一共有" + str(len(images)) + "张图片")
                for i in range(0, len(images)):                                  #使用for循环依次输出图片地址

                    pat=‘(.*?)?imageView‘                                        #观察得出,图片的地址为小图地址,所以使用正则表达式处理一下图片地址,得到高品质图片的地址

                    new_images=re.compile(pat).findall(images[i])             #得到大图图片地址列表

                    #print(new_images)

                    num=int(act)-1                                              #处理一下页码数

                    print("正在下载" + str(num) + str(i) + "张图片")
                    file = folder + str(num) + str(i) + ".jpg"                                     #构造图片名称,为当前(页面数-1)+自然数

                    urllib.request.urlretrieve(new_images[0], filename=file)               #使用urllib.request.urlretrieve 方法下载图片
                # for i in range(0,len(images)):
                #     print("正在下载"+str(count)+str(i)+"张图片")
                #     file=folder+str(count)+str(i)+".jpg"
                #     urllib.request.urlretrieve(images[i],filename=file)
            else:                                                                                                     #如果当前网址没有图片 跳过
                pass
        except:                                                                                                    #如果当前url写不进数据库,输出异常
            print("本网页已经爬过了,跳过了哦")                                            #打印提示

        cursor.close()
        conn.close()

        return item

至此,代码已经编写完成 我们来看看运行后是怎么样的
技术分享图片

技术分享图片

使用scrapy框架爬取蜂鸟论坛的摄影图片并下载到本地

标签:插入   文件   forum   数据库   latest   爬虫   shadow   cep   rom   

原文地址:http://blog.51cto.com/wuliu92/2167295

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!