TumblrSpider

使用scrapy编写的python爬虫，爬取汤不热上用户发布的图片与视频，下载到本地。

项目结构

• 爬虫：tbr.py

  1. 利用tumblr的一个接口：https://username.tumblr.com/api/read/json?start=0&num=200 获取用户post的内容。
  2. 获取用户post的视频或图片url。
  3. 若是reblogged的内容则将被转发的该用户加入爬取，可设置爬取深度。

• 中间件: middlewares.py

  1. 设置代理，因为某种原因，不能直接上tumblr，所以需要科学上网后才行，ssr开全局模式后可以无需代理直接爬，若是PAC模式则需要添加本地代理。
  2. 也可以直接添加国外代理IP

• items: items.py

  1. 三个字段，分别为file_url, file_path和file_type。

• 下载管道: pipelines.py

  1. scrapy文件下载两种方式，用FilesPipeline或者requests。
  2. TumblrspiderPipeline 是用文件pipeline写的pipeline。
  3. MyFilesPipeline 是用requests方式写的pipeline。
  4. 相同网络环境下，前者比后者速度快，所以使用第一种pipeline就行。

项目依赖

• scrapy
• requests
• ssr(或其他科学上网工具)

使用方法

• 确保自己的电脑能够访问 https://www.tumblr.com/ 。
• ./tumblrSpider/tumblrSpider/spiders/tbr.py 文件中，在start_urls中填入一个种子用户的主页地址。max_depth 可设置最大爬取深度。
• 在 ./tumblrSpider 路径下， 使用命令 scrapy crawl tbr