scrapy框架抓取表情包/(python爬虫学习)

抓取网址：https://www.doutula.com/photo/list/?page=1

1.创建爬虫项目：scrapy startproject biaoqingbaoSpider

2.创建爬虫文件：scrapy genspider biaoqingbao doutula.com

• xpath提取图片链接和名字：

• 提取网址后缀，用于实现自动翻页

3.编写爬虫文件：

# -*- coding: utf-8 -*-
import scrapy
import requests

class BiaoqingbaoSpider(scrapy.Spider):
    name = 'biaoqingbao'
    allowed_domains = ['doutula.com']
    start_urls = ['http://www.doutula.com/photo/list/?page=1']

    def parse(self, response):
        #提取地址和图片名称
        pictureUrls = response.xpath("//a[@class='col-xs-6 col-sm-3']/img/@data-original").extract()
        pictureName = response.xpath("//a[@class='col-xs-6 col-sm-3']/p/text()").extract()

        #提取网址后缀，用于实现自动翻页
        next_page = response.xpath("//li/a[@aria-label='Next »']/@href").extract_first()

        for i in range(len(pictureUrls)):
            url = pictureUrls[i]
            name = pictureName[i]
            self.getPicture(url=url, name=name) #对每个图片调用getPicture下载图片并命名

        #自动翻页
        if next_page:
            next_url = response.urljoin(next_page) #返回新的网址
            yield scrapy.Request(next_url, callback=self.parse) #回调函数

    #自定义函数，用于下载图片，因为刚学太菜，就只有先用requests下载了
    def getPicture(self, url, name):
        response = requests.get(url)
        suffix = url.split(".")[-1] #提取图片链接地址的后缀，因为有jpg和gif图片格式
        #二进制格式写入图片
        with open("biaoqingbaoSpider/spiders/images/"+name+ "." + suffix, "wb") as fp:
            fp.write(response.content)

4.执行爬虫文件：scrapy crawl biaoqingbao

• 切记：觉得爬差不多ctrl + c中止，不中止它会自动爬取到最后一页（3000页），当然也可以自己在代码里设置爬取多少页

5.结果：