摄图网海量图片爬取

1.引言

爬取摄图网插画栏目中各个类目下的全部图片。

要求:将所有爬取的图片保存至以各自所属类别命名的文件夹中。

2.流程分析

首先这个任务属于一个两层网络爬虫,因为实际图片的下载路径位于第二层,所以我们必须从第一层网页中获取第二层网页的URL,接着从第二层网页中抓取各个图片的下载地址。


在这里插入图片描述

上图展示的网页是我们初始请求的网页,其中每个图片对应一个插画类目,共100多个类目;我们需要请求该网页,并抓取每个插画类目对应的URL。


在这里插入图片描述

由上图CSS选择器定位情况,我们知道一共有120个插画类目,每一个类目都存储在<div class="pl-list>标签中;相应的,每个类目的URL也存储在其中。
在这里插入图片描述

进入到其中的开学季插画类目,利用CSS选择器定位到每张图片的下载地址,我们发现一共有100张图片。

根据以上的分析,我们的目标是爬取并下载120个插画类目下共12000张图片。

3.代码实现

  • 新建项目

在终端分别输入以下命令行,新建爬虫项目。

scrapy startproject shetuwang
cd shetu
scrapy genspider picture 699pic.com 
  • 编写items.py源文件,设定需要爬取的字段
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class ShetuwangItem(scrapy.Item):
    title = scrapy.Field() #图片所属类别
    imgurls = scrapy.Field() #图片下载地址
    images = scrapy.Field() #图片信息
    
    # define the fields for your item here like:
    # name = scrapy.Field()
    #pass

  • 编写picture.py源文件,制定爬虫的数据爬取工作
import scrapy
from scrapy import Request
from ..items import ShetuwangItem

class PictureSpider(scrapy.Spider):
    name = 'picture'
    allowed_domains = ['699pic.com']
    start_urls = ['http://699pic.com/chahua/']

    def parse(self, response):
        typeurls = response.css(".pl-list a::attr(href)").extract()
        for imgurl in typeurls:
            imgurl = 'https:'+imgurl
            yield Request(imgurl,callback=self.parse_image)
            
    def parse_image(self,response):
        item = ShetuwangItem()
        
        imageurls = response.css("div.list a img::attr(data-original)").extract()
        if imageurls:
            title = response.css("strong.Gjc::text").extract()[0]
            item['title'] = title
            
        imgurls = []
        for imageurl in imageurls:
            imageurl = 'https:' + imageurl
            imgurls.append(imageurl)
            
        item['imgurls'] = imgurls
        yield item
  • 编写pipelines.py源文件,处理图片的下载与保存工作
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
from scrapy import Request

class ShetuwangPipeline:
    def process_item(self, item, spider):
        return item

class DownloadImagesPipeline(ImagesPipeline):
    def get_media_requests(self,item,info):
        for imgurl in item['imgurls']:
            yield Request(imgurl,meta={'title':item['title']})
            
    def file_path(self,request,response=None,info=None):
        title = request.meta['title']
        imgname = request.url.split('/')[-1]
        filename = u'{0}/{1}'.format(title,imgname)
        return filename
    
    def thumb_path(self,request,thumb_id,response=None,info=None):
        title = request.meta["title"]
        image_name = request.url.split("/")[-1]
        thumbname = u'{0}/{1}/{2}'.format(title,thumb_id,image_name)
        return thumbname
  • 编写settings.py源文件,配置爬虫项目
# Scrapy settings for shetuwang project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'shetuwang'

SPIDER_MODULES = ['shetuwang.spiders']
NEWSPIDER_MODULE = 'shetuwang.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'shetuwang (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 Edg/92.0.902.67',
}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'shetuwang.middlewares.ShetuwangSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'shetuwang.middlewares.ShetuwangDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   #'shetuwang.pipelines.ShetuwangPipeline': 300,
    'shetuwang.pipelines.DownloadImagesPipeline': 300,
}

IMAGES_STORE = 'D:\\scrapy\\shetuwang'
IMAGES_URLS_FIELD = 'image_urls'
IMAGES_RESULT_FIELD = 'images'
IMAGES_THUMBS = {'small':(80,80),'big':(300,300)}


# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
  • 在终端用命令行运行爬虫,进行爬取
scrapy crawl picture
  • 查看运行结果

在没有分布式爬取技术加持的情况下,12000张图片爬取下来需要较长时间,这里只展示爬取到的部分图片。


在这里插入图片描述

此刻只爬取完了两个类目,分别是开学季插画、微光渐变插画。


开学季

以上为开学季插画,还包含两个不同尺寸的缩略图。
微光渐变

以上为微光渐变插画,及不同尺寸的缩略图。

3.更深入

通过查看下载的图片,我发现每张图片上都有水印;需要有摄图网账号,且注册会员才能下载无水印图片。

如果我已经满足了下载无水印图片的资质了,该如何改进这个项目,进行无水印图片的爬取呢?

欢迎大家来评论区交流意见!

写在最后

全套爬虫开发环境配置

人类之奴
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,245评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,749评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,960评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,575评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,668评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,670评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,664评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,422评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,864评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,178评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,340评论 1 344
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,015评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,646评论 3 323
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,265评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,494评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,261评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,206评论 2 352

推荐阅读更多精彩内容