Python爬虫教程使用Scrapy框架爬取小说代码示例-巨人网络通讯

主页 > 知识库 > Python爬虫教程使用Scrapy框架爬取小说代码示例

Python爬虫教程使用Scrapy框架爬取小说代码示例

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：

fiction.py：主要编写代码定义爬取的逻辑，解析响应并生成提取结果和新的请求；
items.py：主要先定义好爬取数据的字段，避免拼写错误或者定义字段错误，当然我们可以不先定义好字段，而在fiction.py中直接定义；
pipelines.py：主要是编写数据清洗、验证和存储数据的代码，当我们把数据存储在csv、xml、pickle、marshal、json等文件时，就不需要在pipelines.py中编写代码了，只需要执行以下代码即可：

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：

name是定义此爬虫名称的字符串，每个项目唯一的名字，用来区分不同的Spider，启动爬虫时使用scrapy crawl +该爬虫名字；
allowed_domains是允许爬取的域名，防止爬虫爬到其他网站；
start_urls是最开始爬取的url；
parse()方法是负责解析返回响应、提取数据或进一步生成要处理的请求，注意：不能修改这个方法的名字。

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：

url=href：表示下一个爬取的URL链接；
callback：表示指定parse_detail函数作为解析处理；
meta：实现在不同的解析函数中传递数据。

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。