手机App抓包爬虫

1. items.py

class DouyuspiderItem(scrapy.Item):
name = scrapy.Field()# 存储照片的名字
imagesUrls = scrapy.Field()# 照片的url路径
imagesPath = scrapy.Field()# 照片保存在本地的路径

2. spiders/douyu.py

import scrapy
import json
from douyuSpider.items import DouyuspiderItem class DouyuSpider(scrapy.Spider):
name = "douyu"
allowd_domains = ["http://capi.douyucdn.cn"] offset = 0
url = "http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset="
start_urls = [url + str(offset)] def parse(self, response):
# 返回从json里获取 data段数据集合
data = json.loads(response.text)["data"] for each in data:
item = DouyuspiderItem()
item["name"] = each["nickname"]
item["imagesUrls"] = each["vertical_src"] yield item self.offset += 20
yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

3. 设置setting.py


ITEM_PIPELINES = {'douyuSpider.pipelines.ImagesPipeline': 1} # Images 的存放位置,之后会在pipelines.py里调用
IMAGES_STORE = "/Users/Power/lesson_python/douyuSpider/Images" # user-agent
USER_AGENT = 'DYZB/2.290 (iPhone; iOS 9.3.4; Scale/2.00)'

4. pipelines.py

import scrapy
import os
from scrapy.pipelines.images import ImagesPipeline
from scrapy.utils.project import get_project_settings class ImagesPipeline(ImagesPipeline):
IMAGES_STORE = get_project_settings().get("IMAGES_STORE") def get_media_requests(self, item, info):
image_url = item["imagesUrls"]
yield scrapy.Request(image_url) def item_completed(self, results, item, info):
# 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
image_path = [x["path"] for ok, x in results if ok] os.rename(self.IMAGES_STORE + "/" + image_path[0], self.IMAGES_STORE + "/" + item["name"] + ".jpg")
item["imagesPath"] = self.IMAGES_STORE + "/" + item["name"] return item #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

from scrapy import cmdline
cmdline.execute('scrapy crawl douyu'.split())

执行程序

py2 main.py

最新文章

  1. Redisson-Parent 2.5.0 和 3.0.0 发布
  2. 并行parallel和并发concurrent的区别
  3. [POJ1969]Count on Canton
  4. Xcode 5 解决 The operation couldn’t be completed. (NSURLErrorDomain error -1012.) 问题
  5. C++ Primer 5th 第5章 语句
  6. Unity脚本的生命周期中几个重要的方法
  7. u3d shader使用
  8. 学习Robot Framework必须掌握的库—-BuiltIn库
  9. JStorm与Storm源码分析(四)--均衡调度器,EvenScheduler
  10. Γ(a) 的两种方差与均值
  11. Docker 系列四(自定义仓库).
  12. Javascript继承4:洁净的继承者----原型式继承
  13. Solr各个版本重大变化之安装方式【请别违背规律】
  14. Range:HTML5中的新型Input类型
  15. 我练就数据分析技能从HR转型为产品经理
  16. Mac添加命令别名
  17. MATLAB 的输入输出命令
  18. Tsk4.5异步
  19. [mqtt]mqtt嵌入式移植
  20. Tomcat性能优化(二) ExpiresFilter设置浏览器缓存

热门文章

  1. Apache Kafka源码分析 – Broker Server
  2. 算法大神之路——排序
  3. getResource()和getResourceAsStream以及路径问题(转)
  4. BitCoin Trading Strategies BackTest With PyAlgoTrade
  5. IIs7下配置php
  6. react 组件积累
  7. 将vi or vim中的内容复制到terminal中
  8. Python的15个坑
  9. 配置stun服务器实现穿墙
  10. sql之密码保存