爬虫系列(二十三):手机App抓包爬虫

1. items.py

    class DouyuspiderItem(scrapy.Item):
        name = scrapy.Field()# 存储照片的名字
        imagesUrls = scrapy.Field()# 照片的url路径
        imagesPath = scrapy.Field()# 照片保存在本地的路径

2. spiders/douyu.py

import scrapy
import json
from douyuSpider.items import DouyuspiderItem

class DouyuSpider(scrapy.Spider):
    name = "douyu"
    allowd_domains = ["http://capi.douyucdn.cn"]

    offset = 0
    url = "http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset="
    start_urls = [url + str(offset)]

  def parse(self, response):
      # 返回从json里获取 data段数据集合
      data = json.loads(response.text)["data"]

      for each in data:
          item = DouyuspiderItem()
          item["name"] = each["nickname"]
          item["imagesUrls"] = each["vertical_src"]

          yield item

      self.offset += 20
      yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

3. 设置setting.py

ITEM_PIPELINES = {'douyuSpider.pipelines.ImagesPipeline': 1}

# Images 的存放位置,之后会在pipelines.py里调用
IMAGES_STORE = "/Users/Power/lesson_python/douyuSpider/Images"

# user-agent
USER_AGENT = 'DYZB/2.290 (iPhone; iOS 9.3.4; Scale/2.00)'

4. pipelines.py

    import scrapy
    import os
    from scrapy.pipelines.images import ImagesPipeline
    from scrapy.utils.project import get_project_settings

    class ImagesPipeline(ImagesPipeline):
        IMAGES_STORE = get_project_settings().get("IMAGES_STORE")

        def get_media_requests(self, item, info):
            image_url = item["imagesUrls"]
            yield scrapy.Request(image_url)

        def item_completed(self, results, item, info):
            # 固定写法,获取图片路径,同时判断这个路径是否正确,如果正确,就放到 image_path里,ImagesPipeline源码剖析可见
            image_path = [x["path"] for ok, x in results if ok]

            os.rename(self.IMAGES_STORE + "/" + image_path[0], self.IMAGES_STORE + "/" + item["name"] + ".jpg")
            item["imagesPath"] = self.IMAGES_STORE + "/" + item["name"]

            return item

    #get_media_requests的作用就是为每一个图片链接生成一个Request对象,这个方法的输出将作为item_completed的输入中的results,results是一个元组,每个元组包括(success, imageinfoorfailure)。如果success=true,imageinfoor_failure是一个字典,包括url/path/checksum三个key。

在项目根目录下新建main.py文件,用于调试

from scrapy import cmdline
  cmdline.execute('scrapy crawl douyu'.split())

执行程序

 py2 main.py
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容

  • 安装scrapy: pip3 install -i https://pypi.douban.com/simple/...
    眼君阅读 14,008评论 10 33
  • Words and expressions 1.Expensive 不能用来形容价格的高低,价格高低可以用high...
    Donutzpj阅读 1,846评论 0 0
  • 对于日本文学,我往往是听说多过看过,非要说品读,应该只有高中时从朋友那里借过来看的吉本芭娜娜的厨房罢了。 很温柔。...
    李彧cic阅读 3,405评论 1 4
  • 我要谈一场永不分手的恋爱彼此忠贞 彼此信任 战得胜时间 抵得住流年 经得起离别 受得住想念 盛年锦时 心无二致 年...
    小怪兽崔蛋阅读 2,767评论 0 0
  • 我知道有那么一天,我终将死去。 无论从哪个角度回忆我的童年,最让人记忆犹新的依然是那个画面。屋前是陪伴我长大的那条...
    兰十三阅读 2,990评论 0 0