使用scrapy制作的小说爬虫

使用scrapy制作的小说爬虫

爬虫配套的django网站  https://www.zybuluo.com/xuemy268/note/63660

首先是安装scrapy，在Windows下的安装比较麻烦，大家好好百度下，这里就不细说了，在ubuntu下的安装

apt-get install python-dev
apt-get install python-lxml
apt-get install libffi-dev
pip install scrapy

爬取小说的话无非就是爬取两个页面，小说介绍页和小说章节页，然后又分为2种情况

1. 小说介绍页中含有章节列表目录

2. 小说介绍页中不含章节列表目录，但是含有指向章节列表的URL

相对于a情况来说：

def parse(self,response):
# 使用xpath，获取小说名，作者，分类，介绍，章节列表URL
#使用下面的方法获取章节列表URL可以直接使用Request（），还能直接获得章节名
#http://www.ydzww.com
    SgmlLinkExtractor(restrict_xpaths=(config.get("NovelChapterList_XPATH"),),).extract_links(response)

对于b情况：

#可以使用xpath 获取 指向章节列表的URL，如何url不完整的话可以使用
get_base_url(response) 获取域名信息，然后使用moves.urllib.parse.urljoin()进行拼接
#然后就可以使用Request（），后面的步奏基本上就和a情况一样了
#http://www.ydzww.com

插入数据库这个方面，google一下，使用twisted的数据库接口，好像这个是异步的，配合scrapy估计会更好，要是使用别的也没有关系，我用的django Model 没发现问题

提供一个网上搜出来的代码

# Cannot use this to create the table, must have table already created

from twisted.enterprise import adbapi
import datetime
import MySQLdb.cursors

class SQLStorePipeline(object):

    def __init__(self):
        self.dbpool = adbapi.ConnectionPool('MySQLdb', db='mydb',
                user='myuser', passwd='mypass', cursorclass=MySQLdb.cursors.DictCursor,
                charset='utf8', use_unicode=True)

    def process_item(self, item, spider):
        # run db query in thread pool
        query = self.dbpool.runInteraction(self._conditional_insert, item)
        query.addErrback(self.handle_error)

        return item

    def _conditional_insert(self, tx, item):
        # create record if doesn't exist.
        # all this block run on it's own thread
        tx.execute("select * from websites where link = %s", (item['link'][0], ))
        result = tx.fetchone()
        if result:
            log.msg("Item already stored in db: %s" % item, level=log.DEBUG)
        else:
            tx.execute(\
                "insert into websites (link, created) "
                "values (%s, %s)",
                (item['link'][0],
                 datetime.datetime.now())
            )
            log.msg("Item stored in db: %s" % item, level=log.DEBUG)

    def handle_error(self, e):
        log.err(e)

#该代码片段来自于: http://www.sharejs.com/codes/python/8392
#http://www.ydzww.com

另外就是爬虫控制这块，使用默认的控制，爬虫爬的太快了，有封站的危险，再有就是怕那么快，把采集站爬掉了，以后采集谁的呀？

# 同时下载个数
CONCURRENT_REQUESTS = 5
CONCURRENT_REQUESTS_PER_SPIDER = 5
CLOSESPIDER_PAGECOUNT = 100000
CLOSESPIDER_TIMEOUT = 36000
DOWNLOAD_DELAY = 1.5
RETRY_ENABLED = False
COOKIES_ENABLED = False
# http://www.ydzww.com

这个是我的配置，从我这么多天的采集来看，一分钟采集40个左右的页面，也差不多了

内容的过滤

基本上内容都是用xpath来获取的，然后章节内容也里面还使用了一些正则，去除内容里面的URL，还有一些有关采集站的信息

(http(s)?://.)?(www\.)?[-a-zA-Z0-9@:!$^&\*%.()_\+~#=\uff10-\uff40{}\[\]]{2,256}[\[\]{}!$^\*&@:%._\+~#=()][\[\]{}a-z!$^\*&@:%._\uff10-\uff40\s]{2,6}\b([\[\]-a-zA-Z0-9()@:%_\+.~#?&//=]*)
# www.ydzww.com

这个是我使用来处理内容页url的正则，到目前为止采集小说里面没有碰到处理不了的URL，要是大家能发现有处理不了的话，评论一下，我好做个修改，方便大家使用么！

爬虫比现行的小说爬虫来说，优点有以下几点：

1. 能在linux下面完美运行，windows下面能运行，但是有时可能出现log文件乱码

2. 通过和数据库的配置，一本小说对应一个采集站，3分钟循环监控单本小说，保证小说能够在最快的时间采集

3. 运行快速稳定，scrapy的稳定性还是值得肯定的

已经用这个爬虫程序制作了一个小说站， 易读中文网