Python中Scrapy爬虫图片处理详解
下载图片
下载图片有两种方式，一种是通过Requests模块发送get请求下载，另一种是使用Scrapy的ImagesPipeline图片管道类，这里主要讲后者。
安装Scrapy时并没有安装图像处理依赖包Pillow，需手动安装否则运行爬虫出错。
首先在settings.py中设置图片的存储路径：
IMAGES_STORE='D:/'
图片处理相关的选项还有：
#图片最小高度和宽度设置，可以过滤太小的图片
IMAGES_MIN_HEIGHT=110
IMAGES_MIN_WIDTH=110
#生成缩略图选项
IMAGES_THUMBS={
'small':(50,50),
'big':(270,270),
}
之前已经存在提取内容的TuchongPipeline类，如果使用ImagePipeline可以将提取内容的操作都合并过来，但是为了更好的说明图片管道的作用，我们再单独创建一个ImagePipeline类，加到pipelines.py文件中，同时重载函数get_media_requests：
classPhotoGalleryPipeline(object): ... classPhotoPipeline(ImagesPipeline): defget_media_requests(self,item,info): for(id,url)initem['images'].items(): yieldscrapy.Request(url)
上篇文章中我们把图片的URL保存在了item['images']中，它是一个字典类型的数组，形如：[{img_id:img_url},...]，此函数中需要把img_url取出并构建为scrapy.Request请求对象并返回，每一个请求都将触发一次下载图片的操作。
到settings.py中注册PhotoPipeline，并把优先级设的比提取内容的管道要高一些，保证图片下载优先于内容处理，目的是如果有图片下载未成功，通过触发DropItem异常可以中断这一个Item的处理，防止不完整的数据进入下一管道：
ITEM_PIPELINES={
'Toutiao.pipelines.PhotoGalleryPipeline':300,
'Toutiao.pipelines.PhotoPipeline':200,
}
执行爬虫scrapycrawlphoto，如无错误，在设定的存储目录中会出现一个full目录，里面是下载后的图片。
文件名处理
下载的文件名是以图片URL通过sha1编码得到的字符，类似0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg不是太友好，可以通过重载file_path函数自定义文件名，比如可以这样保留原文件名：
...
deffile_path(self,request,response=None,info=None):
file_name=request.url.split('/')[-1]
return'full/%s'%(file_name)
...
上面这样处理难免会有重名的文件被覆盖，但参数request中没有过多的信息，不便于对图片分类，因此可以改为重载item_completed函数，在下载完成后对图片进行分类操作。
函数item_completed的定义：
defitem_completed(self,results,item,info)
参数中包含item，有我们抓取的所有信息，参数results为下载图片的结果数组，包含下载后的路径以及是否成功下载，内容如下：
[(True,
{'checksum':'2b00042f7481c7b056c4b410d28f33cf',
'path':'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
'url':'http://www.example.com/files/product1.pdf'}),
(False,
Failure(...))]
重载该函数将下载图片转移到分类目录中，同时关联文件路径到item中，保持内容与图片为一个整体：
defitem_completed(self,results,item,info):
image_paths={x['url'].split('/')[-1]:x['path']forok,xinresultsifok}
ifnotimage_paths:
#下载失败忽略该Item的后续处理
raiseDropItem("Itemcontainsnofiles")
else:
#将图片转移至以post_id为名的子目录中
for(dest,src)inimage_paths.items():
dir=settings.IMAGES_STORE
newdir=dir+os.path.dirname(src)+'/'+item['post_id']+'/'
ifnotos.path.exists(newdir):
os.makedirs(newdir)
os.rename(dir+src,newdir+dest)
#将保存路径保存于item中（image_paths需要在items.py中定义）
item['image_paths']=image_paths
returnitem
接下来在原TuchongPipeline类中写入数据库的操作中，通过item['image_paths']路径信息写入本地图片链接。
除了ImagesPipeline处理图片外，还有FilesPipeline可以处理文件，使用方法与图片类似，事实上ImagesPipeline是FilesPipeline的子类，因为图片也是文件的一种。