scrapy抓取列表页面、详细页面、下载图片-马育民老师

# 创建项目

```
scrapy startproject csdn
```

# 创建爬虫

进入项目根路径（scrapy.cfg文件所在的路径），执行下面命令：

```
scrapy genspider article csdn.com
```

在`spiders`文件夹下有`article.py`文件

# 修改爬虫
修改 `article.py`文件 ，内容如下：
```
# -*- coding: utf-8 -*-
import scrapy,uuid

class ArticleSpider(scrapy.Spider):
    name = 'article'
    allowed_domains = ['csdn.net']
    start_urls = ['https://www.csdn.net/nav/python']

def parse(self, response):
        print("-"*50)
        elements=response.xpath('//ul[@id="feedlist_id"]/li/descendant::h2/a/@href')
        for element in elements:
            # 不能写 //h2/a/@href，这样表示从网页根目录分析，会出错
            # href=element.xpath(".//h2/a/@href").get()
            href=element.get()
            print(href)
            # 获取到url后，发送请求，下载到内容后交由parse_detail()函数处理
            yield scrapy.Request(href,callback=self.parse_detail)

print("-"*50)

def parse_detail(self,response):

title=response.xpath('//h1/text()').get()
        content_selector=response.xpath('//div[@id="article_content"]')
        content=content_selector.get()

img_src_selectors=content_selector.xpath(".//img/@src")
        for item in img_src_selectors:
            img_src=item.get()
            new_img_name=str(uuid.uuid1()).replace('-','')+".jpg"
            yield {"img_src":img_src,"pipeline":"ImgPipeline","name":new_img_name}
        # img_srcs=content_selector.xpath(".//img/@src").extract()
        # if img_srcs:
        #     yield {"img_srcs":img_srcs,"pipeline":"ImgPipeline"}

if title and content:
            title=title.strip()
            data={"title":title,"content":content,"pipeline":"CsdnPipeline"}

yield data
```
**注意：**
1. 一般情况，所有管道都会执行，为了让不同的数据由指定的管道执行，在数据中加入了 `pipeline`
2. 由管道下载图片时，图片名字是url的sha1算法生成的结果，想指定图片名字，要从spider传递

# 修改 pipeline.py

1. CsdnPipeline：用于保存标题、内容
2. ImgPipeline：用于下载图片。

内容如下：
```
import datetime,os
from scrapy.pipelines.images import ImagesPipeline
import scrapy

class CsdnPipeline:
    path="/Users/mym/Desktop/download_img/csdn/data"
    def process_item(self, item, spider):
        # return item
        # datetime.datetime.today().strftime('%Y%m%d%H:%M:%S')
        if item["pipeline"]!="CsdnPipeline":
            return item
        title=item["title"]
        content=item["content"]

file_path=os.path.join(CsdnPipeline.path,title+".html")
        with open(file_path,"wt",encoding="utf-8") as f:
            f.write(content)

class ImgPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        # 下载图片，如果传过来的是集合需要循环下载
        if item["pipeline"]!="ImgPipeline":
            return item

# for item in item["img_srcs"]:
        #     yield scrapy.Request(url=item,meta={'name':item['title']})
        # meta里面的数据是从spider获取，然后通过meta传递给下面方法：file_path
        img_src=item["img_src"]
        print("img_src:",img_src)
        yield scrapy.Request(url=img_src,meta={'name':item['name']})

def item_completed(self, item, spider):
        # return item
        # 是一个元组，第一个元素是布尔值表示是否成功
        if not item[0][0]:
            print('下载失败')
        return item

def file_path(self, request, response=None, info=None):
        name = request.meta['name']
        # url=request.url
        # index=url.rfind("/")
        # if index>0:
        #     img_name=url[index+1:]
        # else:
        #     img_name=datetime.datetime.today().strftime('%Y%m%d%H:%M:%S')
        return name
```

# 修改settings.py

### 修改 DEFAULT_REQUEST_HEADERS
```
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36'
}
```

### 增加图片下载默认路径
```
BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
IMAGES_STORE=os.path.join(BASE_DIR,"data/imgs")
```

### 启用 ImgPipeline 管道
```
ITEM_PIPELINES = {
   'csdn.pipelines.CsdnPipeline': 300,
   # 启用 ImgPipeline 管道，后面的数字是管道执行顺序
   'csdn.pipelines.ImgPipeline': 305,
}
```

原文出处：/show_1EF5WIbUdH2b.html