用scrapy下载图片

Question

我从scrapy开始，我遇到了第一个真正的问题。它正在下载图片。所以这是我的蜘蛛。

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from example.items import ProductItem
from scrapy.utils.response import get_base_url

import re

class ProductSpider(CrawlSpider):
    name = "product"
    allowed_domains = ["domain.com"]
    start_urls = [
            "http://www.domain.com/category/supplies/accessories.do"
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        items = []
        sites = hxs.select('//td[@class="thumbtext"]')
        number = 0
        for site in sites:
            item = ProductItem()
            xpath = '//div[@class="thumb"]/img/@src'
            item['image_urls'] = site.select(xpath).extract()[number]
            item['image_urls'] = 'http://www.domain.com' + item['image_urls']
            items.append(item)
            number = number + 1
        return items

当我在settings.py 中引用ITEM_PIPELINES 和IMAGES_STORE 时，我会得到要下载的图片的正确URL（复制粘贴到浏览器中进行检查）。

但是当我取消引用那些我得到以下错误：

raise ValueError('Missing scheme in request url: %s' % self._url')
exceptions.ValueError: Missing scheme in request url:h

我无法下载我的图片。

我已经搜索了一整天，但没有发现任何有用的信息。

Answer 1

我认为您抓取的图像 URL 是相对的。要构造绝对 URL，请使用 urlparse.urljoin:

def parse(self, response):
    ...
    image_relative_url = hxs.select("...").extract()[0]
    import urlparse
    image_absolute_url = urlparse.urljoin(response.url, image_relative_url.strip())
    item['image_urls'] = [image_absolute_url]
    ...

---

没用过ITEM_PIPELINES，但是docs说：

在 Spider 中，您抓取一个项目并将其图像的 URL 放入 image_urls 字段中。

因此，item['image_urls'] 应该是图像 URL 的列表。但是你的代码有：

item['image_urls'] = 'http://www.domain.com' + item['image_urls']

所以，我猜它会逐个字符地迭代您的单个 URL 字符 - 将每个 URL 用作 URL。

Answer 2

我认为您可能需要在列表中向项目提供您的图片网址：

item['image_urls'] = [ 'http://www.domain.com' + item['image_urls'] ]