scrapy的大文件下载（基于一种形式的管道类实现）

scrapy的大文件下载（基于一种形式的管道类实现）

• 爬虫类中将解析到的图片地址存储到item，将item提交给指定的管道

• 在管道文件中导包：from scrapy.pipelines.images import ImagesPipeline

• 基于ImagesPipeline父类，自定义一个管道类

  • 重写管道类中的如下三个方法：

    from scrapy.pipelines.images import ImagesPipeline
    import scrapy
    
    class ImgporPipeline(ImagesPipeline):
        #指定文件存储的目录（文件名）
        def file_path(self,request,response=None,info=None):
            #接受mate
            item = request.meta['item']
            return item['img_name']
        #对指定资源进行请求发送
        def get_media_requests(self,item,info):
            #meta可以传递给file_path
            yield scrapy.Request(item['img_src'],meta={'item':item})
    
        #用于返回item，将item传递给下一个即将被执行的管道类
        def item_completed(self,request,item,info):
            return item

    settings.py文件中

    #指定文件存储的目录
    IMAGES_STORE = './imgs'

    爬虫文件

    import scrapy
    from imgPor.items import ImgporItem
    
    class ImgSpider(scrapy.Spider):
        name = 'img'
        # allowed_domains = ['www.xxx.com']
        start_urls = ['http://www.521609.com/daxuemeinv/']
    
        def parse(self, response):
            li_list = response.xpath('//*[@id="content"]/div[2]/div[2]/ul/li')
            for li in li_list:
                img_src = 'http://www.521609.com' + li.xpath('./a[1]/img/@src').extract_first()
                img_name = li.xpath('./a[2]/b/text() | ./a[2]/text()').extract_first() + '.jpg'
                print(img_name)
                item = ImgporItem()
                item['img_src'] = img_src
                item['img_name'] = img_name
                yield item