• 高级深入--day37


    手机App抓包爬虫

    1. items.py
    1. class DouyuspiderItem(scrapy.Item):
    2. name = scrapy.Field()# 存储照片的名字
    3. imagesUrls = scrapy.Field()# 照片的url路径
    4. imagesPath = scrapy.Field()# 照片保存在本地的路径
    2. spiders/douyu.py
    1. import scrapy
    2. import json
    3. from douyuSpider.items import DouyuspiderItem
    4. class DouyuSpider(scrapy.Spider):
    5. name = "douyu"
    6. allowd_domains = ["http://capi.douyucdn.cn"]
    7. offset = 0
    8. url = "http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset="
    9. start_urls = [url + str(offset)]
    10. def parse(self, response):
    11. # 返回从json里获取 data段数据集合
    12. data = json.loads(response.text)["data"]
    13. for each in data:
    14. item = DouyuspiderItem()
    15. item["name"] = each["nickname"]
    16. item["imagesUrls"] = each["vertical_src"]
    17. yield item
    18. self.offset += 20
    19. yield scrapy.Request(self.url + str(self.offset), callback = self.parse)
    3. 设置setting.py
    1. ITEM_PIPELINES = {'douyuSpider.pipelines.ImagesPipeline': 1}
    2. # Images 的存放位置,之后会在pipelines.py里调用
    3. IMAGES_STORE = "/Users/Power/lesson_python/douyuSpider/Images"
    4. # user-agent
    5. USER_AGENT = 'DYZB/2.290 (iPhone; iOS 9.3.4; Scale/2.00)'
    4. pipelines.py
    1. import scrapy
    2. import os
    3. from scrapy.pipelines.images import ImagesPipeline
    4. from scrapy.utils.project import get_project_settings
    5. class ImagesPipeline(ImagesPipeline):
    6. IMAGES_STORE = get_project_settings().get("IMAGES_STORE")
    7. def get_media_requests(self, item, info):
    8. image_url = item["imagesUrls"]
    9. yield scrapy.Request(image_url)
    10. def item_completed(self, results, item, info):
    11. # 固定写法,获取图片路径,同时判断这个路径是否正确,如果正确,就放到 image_path里,ImagesPipeline源码剖析可见
    12. image_path = [x["path"] for ok, x in results if ok]
    13. os.rename(self.IMAGES_STORE + "/" + image_path[0], self.IMAGES_STORE + "/" + item["name"] + ".jpg")
    14. item["imagesPath"] = self.IMAGES_STORE + "/" + item["name"]
    15. return item
    16. #get_media_requests的作用就是为每一个图片链接生成一个Request对象,这个方法的输出将作为item_completed的输入中的results,results是一个元组,每个元组包括(success, imageinfoorfailure)。如果success=true,imageinfoor_failure是一个字典,包括url/path/checksum三个key。
    在项目根目录下新建main.py文件,用于调试
    1. from scrapy import cmdline
    2. cmdline.execute('scrapy crawl douyu'.split())
    执行程序
    py2 main.py
  • 相关阅读:
    地球重力场模型EGM2008使用教程及软件
    跟我学c++中级篇——类型擦除
    大学四年庸庸碌碌,我弯道超车上了软件测试
    【Python • 项目实战】pytesseract+pyqt实现图片识别软件小项目——(一)创建项目和画界面
    面向6G的大规模MIMO通信感知一体化:现状与展望
    2021CCPC新疆省赛题解BDEFGHIJK
    【每日一题】768. 最多能完成排序的块 II
    C++ 11智能指针详解和使用
    构建全面预算体系,加强企业风险管理
    RT-Thread Hoist_Motor PID
  • 原文地址:https://blog.csdn.net/qq_41813416/article/details/133932587