建站
咨詢
售后
建站咨詢
新聞中心
Scrapy自帶的 FilesPipeline和ImagesPipeline用來下載圖片和文件非常方便，根據(jù)它的官方文檔[1]說明，我們可以很容易地開啟這兩個 Pipeline。
目前成都創(chuàng)新互聯(lián)公司已為上千的企業(yè)提供了網(wǎng)站建設(shè)、域名、網(wǎng)頁空間、網(wǎng)站托管運營、企業(yè)網(wǎng)站設(shè)計、埇橋區(qū)網(wǎng)站維護等服務(wù)，公司將堅持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。
如果只是要下載圖片，那么用 FilesPipeline 和 ImagesPipeline 都可以，畢竟圖片也是文件。但因為使用 ImagesPipeline 要單獨安裝第三方庫 Pillow，所以我們以 FilesPipeline 為例來進行說明。
假設(shè)爬蟲通過解析網(wǎng)頁的源代碼，獲取到了一張圖片，圖片的地址為：https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/640.gif 當(dāng)然，png 、 jpg 、甚至 rar、pdf、zip 都可以。
為了使用 Scrapy 自帶的 FilesPipeline來下載這張圖片，我們需要做幾步設(shè)置。
定義 items
首先定義任意一個 items，需要確保這個 items 里面，必須包含file_urls字段和files字段，除了這兩個必備字段外，你還可以任意增加其他字段。
啟動FilesPipeline
在settings.py中，找到 ITEM_PIPELINES配置，如果它被注釋了，那么就解除注釋。然后添加如下的配置：
- 'scrapy.pipelines.files.FilesPipeline': 1
再添加一個配置項FILES_STORE，它的值是你想要保存圖片的文件夾地址。
修改以后如下圖所示：
下載圖片
接下來，就進入到我們具體的爬蟲邏輯中了。在爬蟲里面，你在任意一個 parse 函數(shù)中提取到了一張或者幾張圖片的URL 后，把它(們)以列表的形式放入到 item 里面的 file_urls 字段中。如下圖所示。
注意，此時files字段不需要設(shè)置任何的值。其他非必需字段就根據(jù)你的需求只有設(shè)置即可。
獲取結(jié)果
由于我們設(shè)置了scrapy.pipelines.images.FilesPipeline的優(yōu)先級為1，是最高優(yōu)先級，所以它會比所有其他的 Pipeline 更先運行。于是，我們可以在后面的其他Pipeline 中，檢查 item 的 files 字段，就會發(fā)現(xiàn)我們需要的圖片地址已經(jīng)在里面了。如下圖所示：
item 中的 files 字段變成了一個包含字典的列表。字典中有一項叫做path的 Key，它的值就是圖片在電腦上的路徑，例如full/7f471f6dbc08c2db39125b20b0471c3b21c58f3e.gif表示在images文件夾中的full文件夾中的7f471f6dbc08c2db39125b20b0471c3b21c58f3e.gif文件，如下圖所示：
文件名是該文件的 md5值，如果你想重命名，可以在后續(xù)的 pipeline 中，根據(jù) path 的值找到文件，然后修改名字。
修改請求頭
看到這里，大家會不會有一個疑問，在使用FilesPipeline的時候，Scrapy 會加上請求頭嗎?它會用哪一個請求頭呢?
實際上，Scrapy 在使用 FilesPipeline和ImagesPipeline時，是不會設(shè)置請求頭的。如果網(wǎng)站會監(jiān)控請求圖片或者文件的請求的請求頭，那么就可以立刻發(fā)現(xiàn)這個請求是通過 Scrapy 發(fā)起的。
為了證明這一點，我們可以查看FilesPipeline的源代碼：
在 scrapy/pipelines/files.py文件中，可以看到，F(xiàn)ilesPipeline是通過get_media_requests方法來構(gòu)造對圖片的請求對象的。這個請求對象沒有設(shè)置任何的請求頭。
上面的截圖是老版本的 Scrapy 的源代碼。新版本的源代碼里面，get_media_requests可能是這樣的：
- def get_media_requests(self, item, info):
- urls = ItemAdapter(item).get(self.files_urls_field, [])
- return [Request(u) for u in urls]
為了手動加上請求頭，我們可以自己寫一個 pipeline，繼承FilesPipeline但覆蓋get_media_requests方法，如下圖所示：
注意，在實際使用中，你可能還要加上 Host 和 Referer。
然后修改settings.py中的ITEM_PIPELINES，指向我們自定義的這個pipeline：
這樣一來，F(xiàn)ilesPipeline就能夠正確加上請求頭了。
最后考大家一個問題，F(xiàn)ilesPipeline發(fā)起的請求，會經(jīng)過下載器中間件嗎?如果要添加代理 IP 應(yīng)該怎么做?歡迎大家在本文下面評論回復(fù)。
參考資料
[1]官方文檔: https://docs.scrapy.org/en/latest/topics/media-pipeline.html#using-the-files-pipeline
本文轉(zhuǎn)載自微信公眾號「未聞Code」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請聯(lián)系未聞Code公眾號。
網(wǎng)頁名稱：如何正確使用 Scrapy 自帶的 FilesPipeline？
文章轉(zhuǎn)載：http://www.dlmjj.cn/article/djcihjs.html
