Amazon图片下载器：利用Scrapy库完成图像下载任务

概述

本文介绍了如何使用Python的Scrapy库编写一个简单的爬虫程序，实现从Amazon网站下载商品图片的功能。Scrapy是一个强大的爬虫框架，提供了许多方便的特性，如选择器、管道、中间件、代理等。本文将重点介绍如何使用Scrapy的图片管道和代理中间件，以提高爬虫的效率和稳定性。

正文

1. 创建Scrapy项目

首先，我们需要创建一个Scrapy项目，命名为amazon_image_downloader。在命令行中输入以下命令：

scrapy startproject amazon_image_downloader
1

这将在当前目录下生成一个名为amazon_image_downloader的文件夹，其中包含以下文件和子文件夹：

amazon_image_downloader/
    scrapy.cfg            # 配置文件
    amazon_image_downloader/     # 项目的Python模块
        __init__.py

        items.py          # 项目中的item文件

        middlewares.py    # 项目中的中间件文件

        pipelines.py      # 项目中的管道文件

        settings.py       # 项目的设置文件

        spiders/          # 存放爬虫代码的目录
            __init__.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

2. 定义Item类

接下来，我们需要在items.py文件中定义一个Item类，用来存储我们要爬取的数据。在本例中，我们只需要爬取商品图片的URL和名称，所以我们可以定义如下：

import scrapy


class AmazonImageItem(scrapy.Item):
    # 定义一个Item类，用来存储图片的URL和名称
    image_urls = scrapy.Field() # 图片的URL列表
    image_name = scrapy.Field() # 图片的名称
1
2
3
4
5
6
7

3. 编写爬虫代码

然后，我们需要在spiders文件夹中创建一个名为amazon_spider.py的文件，编写我们的爬虫代码。我们可以使用Scrapy提供的CrawlSpider类来实现自动跟进链接的功能。我们需要指定以下内容：

• name: 爬虫的名称，用来运行爬虫时使用。
• allowed_domains: 允许爬取的域名列表，防止爬虫跑到其他网站上。
• start_urls: 起始URL列表，爬虫会从这些URL开始抓取数据。
• rules: 规则列表，用来指定如何从响应中提取链接并跟进。
• parse_item: 解析函数，用来从响应中提取数据并生成Item对象。

我们可以参考Amazon网站的结构和URL规律，编写如下代码：

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from amazon_image_downloader.items import AmazonImageItem


class AmazonSpider(CrawlSpider):
    # 定义一个CrawlSpider类，用来实现自动跟进链接的功能
    name = 'amazon_spider' # 爬虫的名称
    allowed_domains = ['amazon.com'] # 允许爬取的域名列表
    start_urls = ['https://www.amazon.com/s?k=book'] # 起始URL列表

    rules = (
        # 定义规则列表，指定如何从响应中提取链接并跟进
        Rule(LinkExtractor(allow=r'/s\?k=book&page=\d+'), follow=True), # 匹配商品列表页的链接，并跟进
        Rule(LinkExtractor(allow=r'/dp/\w+'), callback='parse_item'), # 匹配商品详情页的链接，并调用parse_item函数
    )

    def parse_item(self, response):
        # 定义解析函数，从响应中提取数据并生成Item对象
        item = AmazonImageItem() # 创建一个Item对象
        item['image_urls'] = [response.xpath('//img[@id="imgBlkFront"]/@src')
                              .get()] # 从响应中提取图片的URL，并存入image_urls字段
        item['image_name'] = response.xpath('//span[@id="productTitle"]/text()')
                              .get().strip() # 从响应中提取图片的名称，并存入image_name字段
        return item # 返回Item对象
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

4. 配置图片管道和代理中间件

最后，我们需要在settings.py文件中配置图片管道和代理中间件，以实现图片的下载和代理的使用。我们需要修改以下内容：

• ITEM_PIPELINES: 项目中启用的管道类及其优先级的字典。我们需要启用Scrapy提供的ImagesPipeline类，并指定一个合适的优先级，如300。
• IMAGES_STORE: 图片管道使用的本地存储路径。我们可以指定一个名为images的文件夹，用来存放下载的图片。
• IMAGES_URLS_FIELD: 图片管道使用的Item字段，该字段的值是一个包含图片URL的列表。我们需要指定为image_urls，与我们定义的Item类一致。
• IMAGES_RESULT_FIELD: 图片管道使用的Item字段，该字段的值是一个包含图片信息的列表。我们可以指定为image_results，用来存储图片的路径、校验码、大小等信息。
• DOWNLOADER_MIDDLEWARES: 项目中启用的下载器中间件类及其优先级的字典。我们需要启用Scrapy提供的HttpProxyMiddleware类，并指定一个合适的优先级，如100。
• PROXY_POOL: 代理池，用来提供代理IP和端口。我们可以使用亿牛云爬虫代理提供的域名、端口、用户名、密码
• CONCURRENT_REQUESTS: Scrapy downloader 并发请求(concurrent requests)的最大值。我们可以根据我们的网络和代理的质量，设置一个合适的值，如16。
• CONCURRENT_REQUESTS_PER_DOMAIN: 对单个网站进行并发请求的最大值。我们可以根据目标网站的反爬策略，设置一个合适的值，如8。
• DOWNLOAD_DELAY: 下载两个页面之间等待的时间。这可以用来限制爬取速度，减轻服务器压力。我们可以根据目标网站的反爬策略，设置一个合适的值，如0.5秒。

修改后的settings.py文件如下：

# Scrapy settings for amazon_image_downloader project

assistant = 'amazon_image_downloader'

SPIDER_MODULES = ['amazon_image_downloader.spiders']
NEWSPIDER_MODULE = 'amazon_image_downloader.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'amazon_image_downloader (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'scrapy.pipelines.images.ImagesPipeline': 300, # 启用图片管道，并指定优先级为300
}

# Configure images pipeline
# See https://docs.scrapy.org/en/latest/topics/images.html
IMAGES_STORE = 'images' # 指定图片管道使用的本地存储路径为images文件夹
IMAGES_URLS_FIELD = 'image_urls' # 指定图片管道使用的Item字段为image_urls
IMAGES_RESULT_FIELD = 'image_results' # 指定图片管道使用的Item字段为image_results

# Configure downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
   'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 100, # 启用代理中间件，并指定优先级为100
}

# Configure proxy pool
# 亿牛云代理 https://www.16yun.cn
PROXY_POOL = [
    'http://username:password@domain:port', # 使用亿牛云爬虫代理提供的域名、端口、用户名、密码
    'http://username:password@domain:port',
    ...
]

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item exporters
#

# Configure concurrent requests and download delay
# See https://docs.scrapy.org/en/latest/topics/settings.html
CONCURRENT_REQUESTS = 16 # 设置Scrapy downloader 并发请求的最大值为16
CONCURRENT_REQUESTS_PER_DOMAIN = 8 # 设置对单个网站进行并发请求的最大值为8
DOWNLOAD_DELAY = 0.5 # 设置下载两个页面之间等待的时间为0.5秒
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

结语

本文介绍了如何使用Python的Scrapy库编写一个简单的爬虫程序，实现从Amazon网站下载商品图片的功能。我们使用了Scrapy的图片管道和代理中间件，以提高爬虫的效率和稳定性。我们还使用了多线程技术，提高采集速度。这个爬虫程序只是一个示例，你可以根据你的具体需求进行修改和优化，感谢你的阅读。