Scrapy爬虫（4）爬取豆瓣电影Top250图片

  在用Python的urllib和BeautifulSoup写过了很多爬虫之后，本人决定尝试著名的Python爬虫框架——Scrapy.

  本次分享将详细讲述如何利用Scrapy来下载豆瓣电影Top250, 主要解决的问题有：

如何利用ImagesPipeline来下载图片

如何对下载后的图片重命名，这是因为Scrapy默认用Hash值来保存文件，这并不是我们想要的

  首先我们要爬取的豆瓣电影Top250网页截图如下：

豆瓣电影Top250网页

  网页的结构并不复杂，所以，我们决定把所有的250部电影的图片都下载下来。接下来，就开始我们的Scrapy之旅啦~~

  首先我们新建一个Scrapy项目，叫做doubanMovie.

该项目的文件树形结构如下：

文件树形结构

  修改items.py如下：

这是我们用来存放图片的url和name的部分。

接着，在spiders文件夹下，新建爬虫（Spider）文件：doubanMovieSpider.py, 文件代码如下：

该部分代码主要利用xpath来提出网页中的电影图片的url和name，并添加到item中。

  为了能够对下载后的图片进行重命名，我们需要修改pipeline.py文件，代码如下：

在这儿我们添加了MyImagesPipeline类，主要目的是用来对下载后的图片进行重命名。

  最后一步，也是关键的一步，就是修改settings.py文件，将其中的ROBOTSTXT_OBEY设置为False, 这是为了防止爬虫被禁，并且添加以下代码：

在上面的代码中，我们设置了USER_AGENT, 这是为了在Linux系统中模拟浏览器的设置，读者可以根据自己的系统和浏览器来设置不同的USER_AGENT. 同时， 我们又加了ITEM_PIPELINES管道和图片的保存路径。

  一切就绪，我们就可以运行爬虫啦。切换到spiders文件夹下，输入scrapy list可以查看爬虫的名字，输入scrapy crawl movie即可运行爬虫。

查看和运行爬虫

  movie爬虫的运行结果如下：

爬虫运行结果

该爬虫下载了250个文件，用时约13秒，效率惊人啊！

  下载后的图片保存在当前文件夹(spiders)下的full文件夹下，我们来看一下里面的内容：

下载图片

  Surprise!Wonderful! 里面有没有你喜欢的电影呢？

  本项目的Github地址为 https://github.com/percent4/doubanMovieSpider， 欢迎大家访问哦~~