Python图片爬取方法总结

摘要：当项目进入，组内的将被的调度器和下载器这意味着调度器和下载器的中间件可以复用安排下载，当优先级更高，会在其他页面被抓取前处理。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径源抓取地址从组获得和图片的校验码。

对于图片爬取，最容易想到的是通过urllib库或者requests库实现。具体两种方法的实现如下：

使用urllib.request.urlretrieve方法，通过图片url和存储的名称完成下载。

"""
Signature: request.urlretrieve(url, filename=None, reporthook=None, data=None)
Docstring:
Retrieve a URL into a temporary location on disk.

Requires a URL argument. If a filename is passed, it is used as
the temporary file location. The reporthook argument should be
a callable that accepts a block number, a read size, and the
total file size of the URL target. The data argument should be
valid URL encoded data.

If a filename is passed and the URL points to a local resource,
the result is a copy from local file to new file.

Returns a tuple containing the path to the newly created
data file as well as the resulting HTTPMessage object.
File:      ~/anaconda/lib/python3.6/urllib/request.py
Type:      function
"""

参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）

参数 reporthook 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。

参数 data 指 post 到服务器的数据，该方法返回一个包含两个元素的(filename, headers)元组，filename 表示保存到本地的路径，header 表示服务器的响应头。

使用示例：

request.urlretrieve("https://img3.doubanio.com/view/photo/photo/public/p454345512.jpg", "kids.jpg")

但很有可能返回403错误（Forbidden），如：http://www.qnong.com.cn/uploa...。Stack Overflow指出原因：This website is blocking the user-agent used by urllib, so you need to change it in your request.

给urlretrieve加上User-Agent还挺麻烦，方法如下：

import urllib

opener = request.build_opener()
headers = ("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:53.0) Gecko/20100101 Firefox/53.0")
opener.addheaders = [headers]
request.install_opener(opener)
request.urlretrieve("http://www.qnong.com.cn/uploadfile/2016/0416/20160416101815887.jpg", "./dog.jpg")

使用requests.get()获取图片，但要将参数stream设为True。

import requests

req = requests.get("http://www.qnong.com.cn/uploadfile/2016/0416/20160416101815887.jpg", stream=True)

with open("dog.jpg", "wb") as wr:
    for chunk in req.iter_content(chunk_size=1024):
        if chunk:
            wr.write(chunk)
            wr.flush()

requests添加User-Agent也很方便，使用headers参数即可。

Scrapy 自带 ImagesPipeline 和 FilePipeline 用于图片和文件下载，最简单使用 ImagesPipeline 只需要在 settings 中配置。

# settings.py
ITEM_PIPELINES = {
    "scrapy.pipelines.images.ImagesPipeline": 500
}

IMAGES_STORE = "pictures"  # 图片存储目录
IMAGES_MIN_HEIGHT = 400  # 小于600*400的图片过滤
IMAGES_MIN_WIDTH = 600

# items.py
import scrapy

class PictureItem(scrapy.Item):
    image_urls = scrapy.Field()

# myspider.py
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


from ..items import BeePicture

class PicSpider(CrawlSpider):
    name = "pic"
    allowed_domains = ["qnong.com.cn"]
    start_urls = ["http://www.qnong.com.cn/"]

    rules = (
        Rule(LinkExtractor(allow=r".*?", restrict_xpaths=("//a[@href]")), callback="parse_item", follow=True),
    )

    def parse_item(self, response):
        for img_url in response.xpath("//img/@src").extract():
            item = PictureItem()
            item["image_urls"] = [response.urljoin(img_url)]
            yield item

默认情况下，使用ImagePipeline组件下载图片的时候，图片名称是以图片URL的SHA1值进行保存的。

如：
图片URL: http://www.example.com/image.jpg
SHA1结果：3afec3b4765f8f0a07b78f98c07b83f013567a0a
则图片名称：3afec3b4765f8f0a07b78f98c07b83f013567a0a.jpg

想要以自定义图片文件名需要重写 ImagesPipeline 的file_path方法。参考：https://doc.scrapy.org/en/lat...。

# settings.py
ITEM_PIPELINES = {
    "qnong.pipelines.MyImagesPipeline": 500,
}

# items.py
import scrapy

class PictureItem(scrapy.Item):
    image_urls = scrapy.Field()
    images = scrapy.Field()
    image_paths = scrapy.Field()

# myspider.py
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


from ..items import BeePicture

class PicSpider(CrawlSpider):
    name = "pic"
    allowed_domains = ["qnong.com.cn"]
    start_urls = ["http://www.qnong.com.cn/"]

    rules = (
        Rule(LinkExtractor(allow=r".*?", restrict_xpaths=("//a[@href]")), callback="parse_item", follow=True),
    )

    def parse_item(self, response):
        for img_url in response.xpath("//img/@src").extract():
            item = PictureItem()
            item["image_urls"] = [response.urljoin(img_url)]
            yield item

# pipelines.py
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
import scrapy

class MyImagesPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        for img_url in item["image_urls"]:
            yield scrapy.Request(img_url)

    def item_completed(self, results, item, info):
        image_paths = [x["path"] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        item["image_paths"] = image_paths
        return item

    def file_path(self, request, response=None, info=None):
        image_guid = request.url.split("/")[-1]
        return "full/%s" % (image_guid)

FilesPipeline

在一个爬虫里，你抓取一个项目，把其中图片的URL放入 file_urls 组内。

项目从爬虫内返回，进入项目管道。

当项目进入 FilesPipeline，file_urls 组内的 URLs 将被 Scrapy 的调度器和下载器（这意味着调度器和下载器的中间件可以复用）安排下载，当优先级更高，会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成文件的下载（或者由于某些原因未完成下载）。

当文件下载完后，另一个字段(files)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址（从 file_urls 组获得）和图片的校验码(checksum)。 files 列表中的文件顺序将和源 file_urls 组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在 files 组中。

ImagesPipeline

在一个爬虫里，你抓取一个项目，把其中图片的 URL 放入 images_urls 组内。

项目从爬虫内返回，进入项目管道。

当项目进入 Imagespipeline，images_urls 组内的URLs将被Scrapy的调度器和下载器（这意味着调度器和下载器的中间件可以复用）安排下载，当优先级更高，会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态，直到完成文件的下载（或者由于某些原因未完成下载）。

当文件下载完后，另一个字段(images)将被更新到结构中。这个组将包含一个字典列表，其中包括下载文件的信息，比如下载路径、源抓取地址（从 images_urls 组获得）和图片的校验码(checksum)。 images 列表中的文件顺序将和源 images_urls 组保持一致。如果某个图片下载失败，将会记录下错误信息，图片也不会出现在 images 组中。

Scrapy 不仅可以下载图片，还可以生成指定大小的缩略图。
Pillow 是用来生成缩略图，并将图片归一化为 JPEG/RGB 格式，因此为了使用图片管道，你需要安装这个库。