第三百四十一节，Python分布式爬虫打造搜索引擎Scrapy精讲—编写spiders爬虫文件循环抓取内容—meta属性返回指定值给回调函数—Scrapy内置图片下载器

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request                             #导入url返回给下载器的方法
from urllib import parse                                    #导入urllib库里的parse模块

class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com']                  #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/']     #起始url

def parse(self, response):
"""
获取列表页的文章url地址，交给下载器
"""
#获取当前页文章url
lb_url = response.xpath('//a[@class="archive-title"]/@href').extract()  #获取文章列表url
for i in lb_url:
# print(parse.urljoin(response.url,i))                                             #urllib库里的parse模块的urljoin()方法，是自动url拼接，如果第二个参数的url地址是相对路径会自动与第一个参数拼接
yield Request(url=parse.urljoin(response.url, i), callback=self.parse_wzhang)      #将循环到的文章url添加给下载器，下载后交给parse_wzhang回调函数

#获取下一页列表url,交给下载器，返回给parse函数循环
x_lb_url = response.xpath('//a[@class="next page-numbers"]/@href').extract()         #获取下一页文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url[0]), callback=self.parse)     #获取到下一页url返回给下载器，回调给parse函数循环进行

def parse_wzhang(self,response):
title = response.xpath('//div[@class="entry-header"]/h1/text()').extract()           #获取文章标题
print(title)

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request                             #导入url返回给下载器的方法
from urllib import parse                                    #导入urllib库里的parse模块
from adc.items import AdcItem                               #导入items数据接收模块的接收类

class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com']                  #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/']     #起始url

def parse(self, response):
"""
获取列表页的文章url地址，交给下载器
"""
#获取当前页文章url
lb = response.css('div .post.floated-thumb')  #获取文章列表区块,css选择器
# print(lb)
for i in lb:
lb_url = i.css('.archive-title ::attr(href)').extract_first('')     #获取区块里文章url
# print(lb_url)

lb_img = i.css('.post-thumb img ::attr(src)').extract_first('')     #获取区块里文章缩略图
# print(lb_img)

yield Request(url=parse.urljoin(response.url, lb_url), meta={'lb_img':parse.urljoin(response.url, lb_img)}, callback=self.parse_wzhang)      #将循环到的文章url添加给下载器，下载后交给parse_wzhang回调函数

#获取下一页列表url,交给下载器，返回给parse函数循环
x_lb_url = response.css('.next.page-numbers ::attr(href)').extract_first('')         #获取下一页文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url), callback=self.parse)     #获取到下一页url返回给下载器，回调给parse函数循环进行

def parse_wzhang(self,response):
title = response.css('.entry-header h1 ::text').extract()           #获取文章标题
# print(title)

tp_img = response.meta.get('lb_img', '')                            #接收meta传过来的值，用get获取防止出错
# print(tp_img)

shjjsh = AdcItem()                                                                   #实例化数据接收类
shjjsh['title'] = title                                                              #将数据传输给items接收模块的指定类
shjjsh['img'] = tp_img

yield shjjsh                                #将接收对象返回给pipelines.py处理模块

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request                             #导入url返回给下载器的方法
from urllib import parse                                    #导入urllib库里的parse模块
from adc.items import AdcItem                               #导入items数据接收模块的接收类

class PachSpider(scrapy.Spider):
name = 'pach'
allowed_domains = ['blog.jobbole.com']                  #起始域名
start_urls = ['http://blog.jobbole.com/all-posts/']     #起始url

def parse(self, response):
"""
获取列表页的文章url地址，交给下载器
"""
#获取当前页文章url
lb = response.css('div .post.floated-thumb')  #获取文章列表区块,css选择器
# print(lb)
for i in lb:
lb_url = i.css('.archive-title ::attr(href)').extract_first('')     #获取区块里文章url
# print(lb_url)

lb_img = i.css('.post-thumb img ::attr(src)').extract_first('')     #获取区块里文章缩略图
# print(lb_img)

yield Request(url=parse.urljoin(response.url, lb_url), meta={'lb_img':parse.urljoin(response.url, lb_img)}, callback=self.parse_wzhang)      #将循环到的文章url添加给下载器，下载后交给parse_wzhang回调函数

#获取下一页列表url,交给下载器，返回给parse函数循环
x_lb_url = response.css('.next.page-numbers ::attr(href)').extract_first('')         #获取下一页文章列表url
if x_lb_url:
yield Request(url=parse.urljoin(response.url, x_lb_url), callback=self.parse)     #获取到下一页url返回给下载器，回调给parse函数循环进行

def parse_wzhang(self,response):
title = response.css('.entry-header h1 ::text').extract()           #获取文章标题
# print(title)

tp_img = response.meta.get('lb_img', '')                            #接收meta传过来的值，用get获取防止出错
# print(tp_img)

shjjsh = AdcItem()                                                                   #实例化数据接收类
shjjsh['title'] = title                                                              #将数据传输给items接收模块的指定类
shjjsh['img'] = [tp_img]

yield shjjsh                                #将接收对象返回给pipelines.py处理模块

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html 
import scrapy

#items.py,文件是专门用于，接收爬虫获取到的数据信息的，就相当于是容器文件

class AdcItem(scrapy.Item):    #设置爬虫获取到的信息容器类
title = scrapy.Field()     #接收爬虫获取到的title信息
img = scrapy.Field()       #接收缩略图
img_tplj = scrapy.Field()  #图片保存路径

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html from scrapy.pipelines.images import ImagesPipeline  #导入图片下载器模块

class AdcPipeline(object):                      #定义数据处理类，必须继承object
def process_item(self, item, spider):       #process_item(item)为数据处理函数，接收一个item，item里就是爬虫最后yield item 来的数据对象
print('文章标题是：' + item['title'][0])
print('文章缩略图url是：' + item['img'][0])
print('文章缩略图保存路径是：' + item['img_tplj'])  #接收图片下载器填充的，图片下载后的路径

return item

class imgPipeline(ImagesPipeline):                      #自定义一个图片下载内，继承crapy内置的ImagesPipeline图片下载器类
def item_completed(self, results, item, info):      #使用ImagesPipeline类里的item_completed()方法获取到图片下载后的保存路径
for ok, value in results:
img_lj = value['path']     #接收图片保存路径
# print(ok)
item['img_tplj'] = img_lj  #将图片保存路径填充到items.py里的字段里
return item                    #将item给items.py 文件的容器函数

#注意：自定义图片下载器设置好后，需要在

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html ITEM_PIPELINES = {
'adc.pipelines.AdcPipeline': 300,  #注册adc.pipelines.AdcPipeline类，后面一个数字参数表示执行等级，
'adc.pipelines.imgPipeline': 1,    #注册自定义图片下载器,数值越小，越优先执行
}

IMAGES_URLS_FIELD = 'img'                             #设置要下载图片的url字段，就是图片在items.py里的字段里
lujin = os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE = os.path.join(lujin, 'img')             #设置图片保存路径