python - 如何将 scrapy 图像下载到动态文件夹中？

Question

我可以通过 scrapy 下载图像到“完整”文件夹，但每次运行 scrapy 时，我都需要使目标文件夹的名称动态化，例如 full/session_id。

有什么办法吗？

Answer 1

我还没有使用过 ImagesPipeline，但是 following the documentation ，我会覆盖 item_completed(results, items, info)。

原来的定义是:

def item_completed(self, results, item, info):
    if self.IMAGES_RESULT_FIELD in item.fields:
        item[self.IMAGES_RESULT_FIELD] = [x for ok, x in results if ok]
    return item

这应该会为您提供包含路径的下载图像的结果集(似乎一个项目上可以有很多图像)。

如果您现在在子类中更改此方法以在设置路径之前移动所有文件，它应该可以正常工作。您可以在项目上设置目标文件夹，例如 item['session_path']。在从蜘蛛返回/放弃您的项目之前，您必须在每个项目上设置此设置。

重写方法的子类看起来像这样:

import os, os.path
from scrapy.contrib.pipeline.images import ImagesPipeline

class SessionImagesPipeline(ImagesPipeline):
    def item_completed(self, results, item, info):
        # iterate over the local file paths of all downloaded images
        for result in [x for ok, x in results if ok]:
            path = result['path']
            # here we create the session-path where the files should be in the end
            # you'll have to change this path creation depending on your needs
            target_path = os.path.join((item['session_path'], os.basename(path)))

            # try to move the file and raise exception if not possible
            if not os.rename(path, target_path):
                raise ImageException("Could not move image to target folder")

            # here we'll write out the result with the new path,
            # if there is a result field on the item (just like the original code does)
            if self.IMAGES_RESULT_FIELD in item.fields:
                result['path'] = target_path
                item[self.IMAGES_RESULT_FIELD].append(result)

        return item

更好的方法是不在 item 中设置所需的 session 路径，而是在 scrapy 运行期间的配置中。为此，我认为您必须了解如何在应用程序运行时设置配置，并且必须覆盖构造函数。