Scrapy ImagePipeline（图片下载组件）

Scrapy用ImagesPipeline类提供一种方便的方式来下载和存储图片。须要PIL库支持。

主要特征

• 将下载图片转换成通用的JPG和RGB格式
• 避免重复下载
• 缩略图生成
• 图片大小过滤

工做流程

• 爬取一个Item，将图片的URLs放入image_urls字段
• 从Spider返回的Item，传递到Item Pipeline
• 当Item传递到ImagePipeline，将调用Scrapy 调度器和下载器完成image_urls中的url的调度和下载。ImagePipeline会自动高优先级抓取这些url，于此同时，item会被锁定直到图片抓取完毕才被解锁。
• 图片下载成功结束后，图片下载路径、url和校验和等信息会被填充到images字段中。

定义Item

使用ImagePipeline须要在配置文件中配置ITEMPIPELINES属性，并定义一个Item包含imageurls和images字段

class ImageItem(Item):
    image_urls = Field()
    images = Field()
    image_paths = Field()

设置条件和属性settings.py

ITEM_PIPELINES = ['demo.pipelines.MyImagesPipeline']  # ImagePipeline的自定义实现类
IMAGES_STORE = 'D:\\dev\\python\\scrapy\\demo\\img'   # 图片存储路径
IMAGES_EXPIRES = 90                                   # 过时天数
IMAGES_MIN_HEIGHT = 100                               # 图片的最小高度
IMAGES_MIN_WIDTH = 100                                # 图片的最小宽度
# 图片的尺寸小于IMAGES_MIN_WIDTH*IMAGES_MIN_HEIGHT的图片都会被过滤

ImageSpider

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

from demo.items import ImageItem

class MyImageSpider(BaseSpider):
    name = "image_spider"
    allowed_domains = ["http://topit.me/"]
    start_urls = [
        "http://topit.me/",
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        imgs = hxs.select('//img/@src').extract()
        item = ImageItem()
        item['image_urls']=imgs
        return item

ImagePipeline

须要在自定义的ImagePipeline类中重载的方法：get_media_requests(item, info)和item_completed(results, items, info)

正如工做流程所示，Pipeline将从item中获取图片的URLs并下载它们，因此必须重载get_media_requests，并返回一个Request对象，这些请求对象将被Pipeline处理，当完成下载后，结果将发送到item_completed方法，这些结果为一个二元组的list，每一个元祖的包含(success, image_info_or_failure)。 * success: boolean值，true表示成功下载 * image_info_or_error：若是success=true，image_info_or_error词典包含如下键值对* url：原始URL * path：本地存储路径 * checksum：校验码。失败则包含一些出错信息。

from scrapy.contrib.pipeline.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy.http import Request

class MyImagesPipeline(ImagesPipeline):

    def get_media_requests(self, item, info):
        for image_url in item['image_urls']:
            yield Request(image_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

运行结果

$ scrapy crawl image_spider
.....
2013-09-10 15:49:48+0800 [image_spider] DEBUG: Scraped from <200 http://topit.me/>
    {'image_paths': ['full/4285ec809413767e8dd5daf4a57fbfe97d964e2e.jpg',
                     'full/b8088f68ba1d569c96b04a3664e115d4833544be.jpg',
                     ....
                     'full/97f2272a06191cda15abda57e03ec29eb5c51959.jpg',
                     'full/9afc3ed6b6cf8259b4065a0d2d79f49b6670c51b.jpg'],
     'image_urls': [u'http://img.topit.me/logo.gif',
                    u'http://fe.topit.me/e/a3/43/117387157785b43a3em.jpg',
                    ...
                    u'http://i.topit.me/9/v/3LOGi2v9m.jpg',
                    u'http://www.topit.me/img/link/mobile.jpg']}
2013-09-10 15:49:48+0800 [image_spider] INFO: Closing spider (finished)
....

注： 在这里提醒一下，当使用多个pipeline组件时，经过setting-》ITEM-PIPELINE中的数值设置组建的运行顺序，可是若是两个pipeline的顺序不一致，则只经过最开始的pipeline的item处理

但愿你们多多指正，谢谢！