抓图下载图片

Question

我从草率开始，我有第一个真正的问题。正在下载图片。这是我的蜘蛛。

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from example.items import ProductItem
from scrapy.utils.response import get_base_url

import re

class ProductSpider(CrawlSpider):
    name = "product"
    allowed_domains = ["domain.com"]
    start_urls = [
            "http://www.domain.com/category/supplies/accessories.do"
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        items = []
        sites = hxs.select('//td[@class="thumbtext"]')
        number = 0
        for site in sites:
            item = ProductItem()
            xpath = '//div[@class="thumb"]/img/@src'
            item['image_urls'] = site.select(xpath).extract()[number]
            item['image_urls'] = 'http://www.domain.com' + item['image_urls']
            items.append(item)
            number = number + 1
        return items

当我报价时ITEM_PIPELINES，IMAGES_STORE以settings.py这种方式，我得到了想要下载的图片的正确URL（将其粘贴到浏览器中以进行检查）。

但是当我取消报价时，出现以下错误：

raise ValueError('Missing scheme in request url: %s' % self._url')
exceptions.ValueError: Missing scheme in request url:h

而且我无法下载图片。

我已经搜寻了一整天，没有发现任何帮助。

Answer 1

我认为您抓取的图片网址是相对的。要构建绝对URL，请使用urlparse.urljoin：

def parse(self, response):
    ...
    image_relative_url = hxs.select("...").extract()[0]
    import urlparse
    image_absolute_url = urlparse.urljoin(response.url, image_relative_url.strip())
    item['image_urls'] = [image_absolute_url]
    ...

尚未使用ITEM_PIPELINES，但是文档说：

在Spider中，您刮取一个项目并将其图像的URL放入image_urls字段。

因此，item [‘image_urls’]应该是图像URL的列表。但是您的代码具有：

item['image_urls'] = 'http://www.domain.com' + item['image_urls']

因此，我想它逐个字符地循环访问您的单个URL字符-使用每个URL作为URL。