【发布时间】:2017-06-11 07:57:53
【问题描述】:
重要提示:目前在 stackoverflow 上的所有答案都适用于以前版本的 Scrapy,不适用于最新版本的 scrapy 1.4
scrapy 和 python 完全是新手,我正在尝试抓取一些页面并下载图像。图像正在下载,但它们仍具有原始 SHA-1 名称作为文件名。 我不知道如何重命名这些文件,它们实际上都有 SHA-1 文件名。
尝试将它们重命名为“test”,当我运行 scrapy crawl rambopics 时,输出中确实出现了“test”以及 url 的数据。但文件不会在目标文件夹中重命名。以下是输出示例:
> 2017-06-11 00:27:06 [scrapy.core.scraper] DEBUG: Scraped from <200
> http://www.theurl.com/> {'image_urls':
> ['https://www.theurl.com/-a4Bj-ENjHOY/VyE1mGuJyUI/EAAAAAAAHMk/mw1_H-mEAc0QQEwp9UkTipxNCVR-xdbcgCLcB/s1600/Image%2B%25286%2525.jpg'],
> 'image_name': ['test'], 'title': ['test'], 'filename': ['test'],
> 'images': [{'url':
> 'https://www.theurl.com/-a4Bj-ENjHOY/VyE1mGuJyUI/EAAAAAAAHMk/mw1_H-mEAc0QQEwp9UkTipxNCVR-xdbcgCLcB/s1600/Image%2B%25286%2525.jpg',
> 'path': 'full/fcbec9bf940b48c248213abe5cd2fa1c690cb879.jpg',
> 'checksum': '7be30d939a7250cc318e6ef18a6b0981'}]}
到目前为止,我已经尝试了许多不同的解决方案,所有这些解决方案都发布在 stackoverflow 上,对于 2017 年最新版本的 scrapy,这个问题没有明确的答案,看起来这些命题可能几乎都已经过时了。我将 Scrapy 1.4 与 python 3.6 一起使用。
scrapy.cfg
# Automatically created by: scrapy startproject
#
# For more information about the [deploy] section see:
# https://scrapyd.readthedocs.org/en/latest/deploy.html
[settings]
default = rambopics.settings
[deploy]
#url = http://localhost:6800/
project = rambopics
items.py 导入scrapy
class RambopicsItem(scrapy.Item):
# defining items:
image_urls = scrapy.Field()
images = scrapy.Field()
image_name = scrapy.Field()
title = scrapy.Field()
#pass -- dont realy understand what pass is for
settings.py
BOT_NAME = 'rambopics'
SPIDER_MODULES = ['rambopics.spiders']
NEWSPIDER_MODULE = 'rambopics.spiders'
ROBOTSTXT_OBEY = True
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1,
}
IMAGES_STORE = "W:/scraped/"
pipelines.py
import scrapy
from scrapy.pipelines.images import ImagesPipeline
class RambopicsPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
img_url = item['img_url']
meta = {
'filename': item['title'],
'title': item['image_name']
}
yield Request(url=img_url, meta=meta)
(蜘蛛)rambopics.py
from rambopics.items import RambopicsItem
from scrapy.selector import Selector
import scrapy
class RambopicsSpider(scrapy.Spider):
name = 'rambopics'
allowed_domains = ['theurl.com']
start_urls = ['http://www.theurl.com/']
def parse(self, response):
for sel in response.xpath('/html'):
#img_name = sel.xpath("//h3[contains(@class, 'entry-title')]/a/text()").extract()
img_name = 'test'
#img_title = sel.xpath("//h3[contains(@class, 'entry-title')]/a/text()").extract()
img_title = 'test'
for elem in response.xpath("//div[contains(@class, 'entry-content')]"):
img_url = elem.xpath("a/@href").extract_first()
yield {
'image_urls': [img_url],
'image_name': [img_name],
'title': [img_title],
'filename': [img_name]
}
注意,我不知道最终下载的文件名使用的正确元名称是什么(我不确定它是文件名、图像名还是标题)。
【问题讨论】:
-
这个问题已经在网站上得到了回答:stackoverflow.com/a/30002870/1675954 和这里:stackoverflow.com/a/6196180/1675954 它们都是相当全面的答案。检查您的基本设置是否配置正确。它们需要在爬行之前设置。见doc.scrapy.org/en/latest/topics/…
-
请更详细地解释什么不适用于其他解决方案。您是否遇到了具体错误?
标签: python web-scraping scrapy scrapy-spider scrapy-pipeline