Scrapy 实战之爬取妹子图
阅读文本大概需要 10 分钟。
很多人说爬虫这门技术非常有趣，但不知道如何入门。其实爬虫入门非常简单，难的部分在于各大网站的反爬机制。当然对于一些简单的网站，还是非常容易爬取。
学习爬虫首先要明确你的驱动力，是想爬一些知乎的数据，还是一些电影的资源。驱动力非常重要，这决定你是否有足够的兴趣继续学下去。
很多人学习爬虫的第一驱动力就是爬取各大网站的妹子图片，比如比较有名的 mzitu。在爬这些网站的时候，即可以欣赏漂亮的妹子图，又能学习到技术，非常的 nice。
今天我就结合非常好用的 scrapy 框架，去抓取一些妹子图片，并把爬取的数据保存到 mongodb 数据库中。本次要爬取的网站是 360 的图片搜索网站，
360 图片的妹子质量还是非常可以的，我随意放几张大家感受下。
清纯可爱的
文艺又气质的
仙气十足的
非常的赏心悦目。
程序思路
本次程序运行的环境是 windows 10 + python 3.6，运行本次程序前首先确保你已经安装好了 scrapy、pymongo 以及 mongodb 数据库。
简单的分析了下 360 图片网站，并没有很强的反爬措施，并且网站的数据是以 Ajax 请求呈现。
我们进一步查看请求的详情，观察返回的数据结构。
返回的是 JSON 数据格式，其中 list 字段把图片的一些信息都保存在这里面。比如我们需要的图片地址信息 cover_imgurl。另外观察 Ajax 请求的参数信息，还有一个 sn 一直在变化，这个参数很明显就是偏移量。当 sn 为 30 时，返回的是前 30 张图片，依次类推，我们只需要改变 sn 的值就可以一直获取图片的信息。
接下来我们只需要通过 scrapy 高性能的框架，把网站上的图片保存到本地即可。
新建项目
首先在本地创建一个 scrapy 项目并命名为 images360。通过已下的命名即可创建。
<pre style="margin: 0px; padding: 0px; border-radius: 8px; background: rgb(248, 248, 248); max-width: 100%; box-sizing: border-box !important; word-wrap: break-word !important; word-break: normal !important; font-size: inherit; color: inherit; line-height: inherit;">
scrapy startproject images360
</pre>
随后就会有如下的项目结构
接下来就是在 spiders 目录下新建一个 Spider，命令如下：
scrapy genspider images images.so.com
这样我们的项目都已创建好，最后项目的结构如下。
程序代码
settings.py
在 settings.py 里面会先定义一个变量 MAX_PAGE，表示我们需要爬取的最大页面，比如在此次的程序中我们设置的是 50，也就是爬取 50 页，每页 30 张，一共 1500 张图片。
MAX_PAGE = 50
settings.py 文件中我们还设置一些数据库相关的配置信息。
MONGO_URI = 'localhost' MONGO_DB = 'test' IMAGES_STORE = './images'
并且需要注意的是我们要修改 settings.py 中的 ROBOTSTXT_OBEY 变量，将其设置为 False，否则无法抓取。
ROBOTSTXT_OBEY = False
start_requests()
这个函数用来构造最开始的请求，用来生成 50 次请求。
def start_requests(self):
data = {'ch': 'photogtaphy', 'listtype': 'new'}
base_url = 'https://image.so.com/zj?0'
for page in range(1, self.settings.get('MAX_PAGE') + 1):
data['sn'] = page * 30
params = urlencode(data)
url = base_url + params
yield Request(url, self.parse提取信息
我们会在 items.py 文件中定义一个 Images360Item 类，用来定义我们的数据结构。
class Images360Item(Item): # define the fields for your item here like: # name = scrapy.Field() collection = table = 'images' id = Field() url = Field() title = Field() thumb = Field()
其中包括图片的 ID、链接、标题、缩略图。另外还有两个属性 collection 和 table，都定义为 images 字符串，代表 MongoDB 存储的 Collection 名称。
接下来我们提取 Spider 里有关信息，在 parse() 方法改写成如下所示：
def parse(self, response):
result = json.loads(response.text)
for image in result.get('list'):
item = Images360Item()
item['id'] = image.get('imageid')
item['url'] = image.get('qhimg_url')
item['title'] = image.get('group_title')
item['thumb'] = image.get('qhimg_thumb_url')
yield item这样我们就完成了信息的提取，接下来就需要把抓取的信息保存到 MongoDB 中。
MongoDB
首先确保你本地已经安装好了 MongoDB，并且已经正常启动。我们用一个 MongoPipeline 将信息保存到 MongoDB 中，在 pipelines.py 里添加如下类的实现：
class MongoPipeline(object):
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DB')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def process_item(self, item, spider):
self.db[item.collection].insert(dict(item))
return item
def close_spider(self, spider):
self.client.close()
</pre>Scrapy 提供了专门处理下载的 Pipeline，包括文件下载和图片下载。下载文件和图片的原理与抓取页面的原理一样，因此下载过程支持异步和多线程，下载十分高效。
我们首先在 settings.py 定义一个 IMAGES_STORE 变量，用来表示图片存储的路径。
IMAGES_STORE = './images'
内置的 ImagesPipeline 会默认读取 Item 的 image_urls 字段，并认为该字段是一个列表形式，它会遍历 Item 的 image_urls 字段，然后取出每个 URL 进行图片下载。
但是现在生成的 Item 的图片链接字段并不是 image_urls 字符表示的，也不是列表形式，而是单个的 URL。所以为了实现下载，我们需要重新定义下载的部分逻辑，即要自定义 ImagePipeline，继承内置的 ImagesPipeline，从而实现我们自己的图片下载逻辑。
class ImagePipeline(ImagesPipeline):
def file_path(self, request, response=None, info=None):
url = request.url
file_name = url.split('/')[-1]
return file_name
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem('Image Downloaded Failed')
return item
def get_media_requests(self, item, info):
yield Request(item['url'])最后我们需要在 settings.py 中把我们定义好的 Item Pipeline 打开，修改 settings.py 中的 ITEM_PIPELINES 即可。
ITEM_PIPELINES = {
'images360.pipelines.ImagePipeline': 300,
'images360.pipelines.MongoPipeline': 301
}最后我们只需要运行程序，即可执行爬取，程序运行命名如下：
scrapy crawl images
完整代码我已上传到微信公众号后台，在「痴海」公众号后台回复「360」即可获取。
本文首发于公众号「痴海」，后台回复「1024」即可获取最新编程资源。
比如这样的：史上最全 Python 学习资料，PDF 电子书大合集
