5

对于我的scrapy项目,我目前正在使用FilesPipeline。下载的文件以 URL 的 SHA1 哈希值作为文件名存储。

[(True,
  {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
   'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
   'url': 'http://www.example.com/files/product1.pdf'}),
 (False,
  Failure(...))]

如何使用我的自定义文件名来存储文件?

在上面的示例中,我希望文件名是“product1_0a79c461a4062ac383dc4fade7bc09f1384a3910.pdf”,所以我保持唯一性但使文件名可见。

作为一个起点,我探索了pipelines.py我的项目,但没有取得多大成功。

import scrapy
from scrapy.pipelines.images import FilesPipeline
from scrapy.exceptions import DropItem

class MyFilesPipeline(FilesPipeline):

    def file_path(self, request, response=None, info=None):
        return request.meta.get('filename','')

    def get_media_requests(self, item, info):
        file_url = item['file_url']
        meta = {'filename': item['name']}
        yield Request(url=file_url, meta=meta)

将此参数包含在我的settings.py

ITEM_PIPELINES = {
    #'scrapy.pipelines.files.FilesPipeline': 300
    'io_spider.pipelines.MyFilesPipeline': 200
}

有人提出了类似的问题,但它确实针对图像而不是文件。

任何帮助将不胜感激。

4

2 回答 2

6

file_path应该返回文件的路径。在您的代码中,file_path返回item['name'],这将是您的文件路径。请注意,默认情况下会file_path 计算 SHA1 哈希值。所以你的方法应该是这样的:

def file_path(self, request, response=None, info=None):
    original_path = super(MyFilesPipeline, self).file_path(request, response=None, info=None)
    sha1_and_extension = original_path.split('/')[1] # delete 'full/' from the path
    return request.meta.get('filename','') + "_" + sha1_and_extension
于 2017-10-31T16:10:25.750 回答
0

尝试使用此file_path方法:

def file_path(self, request, response=None, info=None):
    url = request if not isinstance(request, Request) else request.url
    media_guid = hashlib.sha1(to_bytes(url)).hexdigest()
    path, media_ext = os.path.splitext(url)
    media_name = os.path.split(path)[1]
    return '%s_%s%s' % (media_name, media_guid, media_ext)

(注意:这是未经测试的代码)

于 2017-10-31T17:04:46.057 回答