python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python爬虫教程Scrapy框架爬取小说

Python爬虫教程使用Scrapy框架爬取小说代码示例

作者：霖hero

相信学Python爬虫的小伙伴听说过Scrapy框架，也用过Scrapy框架，今天我们边学习Scrapy框架边爬取整部小说，让大家在不知不觉的学习过程中使用Scrapy框架完成整部小说的爬取

Scrapy框架简单介绍

Scrapy框架是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，是提取结构性数据而编写的应用框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，我们只需要少量的代码就能够快速抓取数据。

其框架如下图所示：

Scrapy Engine是整个框架的核心，而涉及到我们编写代码的模块一般只有Item Pipeline模块和Spiders模块。

创建Scrapy项目

首先我们通过以下代码来创建Scrapy项目，执行代码如下图所示：

Scrapy startproject Fiction

运行结果如下图所示：

通过上图可知，我们在C盘创建了一个新的Scrapy项目，项目名为Fiction，而且还提示我们可以通过以下命令创建第一个Spider爬虫，命令如下所示：

cd Fiction          #进入目录
scrapy genspider example example.com    #创建spider爬虫

其中example是我们爬虫名，example.com是爬虫爬取的范围，也就是网站的域名。

Fiction文件夹内容如下图所示：

创建Spider爬虫

在上面的步骤我们成功创建了一个Scrapy项目，而且知道如何创建Spider爬虫，接下来我们创建名为fiction的Spider爬虫，其域名为www.17k.com，代码如下所示：

scrapy genspider fiction www.17k.com

运行后，spiders文件夹中多了我们刚才创建fiction.py，这个就是我们创建的Spider爬虫。

如下图所示：

看到这么多py文件是不是慌了，其实不用慌，一般情况我们主要在刚创建的spider爬虫文件、items.py和pipelines.py进行编写代码，其中：

scrapy crawl fiction 文件名.后缀

当数据需要保存在MongoDB数据库时，则编写以下代码即可：

from pymongo import  MongoClient
client=MongoClient()
collection=client["Fiction"]["fiction"]
​class Test1Pipeline:
    def process_item(self, item, spider):
        collection.insert(item)
        return item

Spider爬虫提取数据

在提取数据前，首先我们进入要爬取小说网站并打开开发者工具，如下图所示：

我们通过上图可以发现，<dl class="Volume">存放着我们所有小说章节名，点击该章节就可以跳转到对应的章节页面，所以可以使用Xpath来通过这个div作为我们的xpath爬取范围，通过for循环来遍历获取每个章节的名和URL链接。

跳转章节内容页面后，打开开发者工具，如下图所示：

通过上图可以发现，小说内容存储在<div class="readAreaBox">里面，我们可以通过for循环来遍历该dl中的<div class="p">获取到章节的全部内容，当然也是通过使用Xpath来获取。

items.py代码定义字段

细心的小伙伴就发现了，我们所需要提前的字段有章节名、章节URL链接和章节内容，其中章节名和章节内容是需要进行数据保存的，所以可以先在items.py文件中定义好字段名，具体代码如下所示：

import scrapy
​class FictionItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    text = scrapy.Field()

定义字段很简单，字段名=scrapy.Field()即可。

对了，在items.py定义好字段有个最好的好处是当我们在获取到数据的时候，使用不同的item来存放不同的数据，在把数据交给pipeline的时候，可以通过isinstance(item,FictionItem)来判断数据属于哪个item，进行不同的数据(item)处理。

定义好字段后，这是我们通过在pipeline.py文件中编写代码，对不同的item数据进行区分，具体代码如下：

from Fiction.items import FictionItem
class FictionPipeline:
    def process_item(self, item, spider):
        if isinstance(item,FictionItem):
            print(item)

当然，在我们爬取的项目中，只需要一个class类，在上面的代码只是为了展示如何判断区分数据属于哪个item。

fiction.py代码提取数据

fiction.py文件也就是我们创建的spider爬虫，打开fiction.py文件，其代码内容如下所示：

import scrapy
class FictionSpider(scrapy.Spider):
    name = 'fiction'
    allowed_domains = ['www.17k.com']
    start_urls = ['http://www.17k.com/']
​    def parse(self, response):
        pass

其中：

大致了解该文件内容的各个部分后，我们开始提取首页的章节名和章节URL链接，具体代码如下所示：

import scrapy
from Fiction.items import FictionItem
​class FictionSpider(scrapy.Spider):
    name = 'fiction'
    allowed_domains = ['www.17k.com']
    start_urls = ['https://www.17k.com/list/2536069.html']
​    def parse(self, response):
        html = response.xpath('//dl[@class="Volume"]')
        books = html.xpath('./dd/a')
        for book in books:
            item =FictionItem()
            item['name'] = []
            name = book.xpath('./span/text()').extract()
            for i in name:
                item['name'].append(i.replace('\n', '').replace('\t', ''))
            href = book.xpath('./@href').extract_first()
            href = 'https://www.17k.com' + href
            yield scrapy.Request(url=href, callback=self.parse_detail, meta={'item': item})

首先导入FictionItem，再我们把start_urls链接修改为待会要爬的URL链接，在parse()方法中，使用xpath获取章节名和章节URL链接，通过for循环调用FictionItem()，再把章节名存放在item里面。

通过生成器yield 返回调用scrapy.Request()方法，其中：

在上一步中我们指定了parse_detail函数作为解析处理，接下来将编写parse_detail函数来获取章节内容，具体代码如下所示：

    def parse_detail(self,response):
        string=""
        item=response.meta['item']
        content=response.xpath('//*[@id="readArea"]/div[1]/div[2]//p/text()').extract()
        for i in content:
            string=string+i+'\n'
        item['text']=string
        yield item

首先我们定义了一个空变量string，在通过response.meta[]来接收item数据，其参数为上一步中的meta={'item': item}的item，接下来获取章节内容，最后将章节内容存储在item['text']中，并通过生成器yield返回数据给引擎。

pipelines.py代码保存数据

章节名和章节内容已经全部获取下来了，接下来我们把获取下来的数据保存为txt文件，具体代码如下所示：

from Fiction.items import FictionItem
import time
class FictionPipeline:
    def open_spider(self, spider):
        print(time.time())
    def process_item(self, item, spider):
        if isinstance(item, FictionItem):
            title = item['name']
            content = item['text']
            with open(f'小说/{title[0]}.txt', 'w', encoding='utf-8')as f:
                f.write(content)
    def close_spider(self, spider):
        print(time.time())

首先我们导入FictionItem、time，在open_spider()和close_spider()方法编写代码调用time.time()来获取爬取的开始时间和结束时间，再在process_item()方法中，把引擎返回的item['name']和item['text']分别存放在title和content中，并通过open打开txt文件，调用write()把章节内容写入在txt文件中。

settings.py代码启动爬虫

在启动爬虫前，我们先要在settings.py文件中启动引擎，启动方式很简单，只要找到下图中的代码，并取消代码的注释即可：

有人可能问：那User-Agent在哪里设置？我们可以在settings.py文件中，设置User-Agent，具体代码如下：

好了，所有代码已经编写完毕了，接下来将启动爬虫了，执行代码如下：

scrapy crawl fiction

启动爬虫后，发现我们控制台里面多了很多log日志数据的输出，这时可以通过在settings.py添加以下代码，就可以屏蔽这些log日志：

LOG_LEVEL="WARNING"

结果展示

好了，scrapy框架爬取小说就讲到这里了，感觉大家的观看！！！

更多关于Python爬虫教程Scrapy框架爬取的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:
阅读全文