Scrapy爬取小说简单逻辑

Scrapy爬取小说简单逻辑

一 准备工作

1)安装Python

2)安装PIP

3)安装scrapy

4)安装pywin32

5)安装VCForPython27.exe

...........

具体安装步骤,可参考http://www.cnblogs.com/zyj-python/p/7392476.html

二 爬虫逻辑

1.CMD终端创建爬虫项目

cd Desktop(返回桌面目录) #选择文件保存位置,我放在了桌面

Scrapy startProject BooksSpider  #BooksSpider为项目名称,自己起名

    (ps:CMD终端显示"rou can start your first spider with:"表示项目创建成功)

 

2.创建爬虫文件

拖动爬虫项目文件用Pycharm打开,点击左下角Terminal打开终端

scrapy genspider books(蜘蛛名,自定义,不能重复,可以修改但不建议修改) www.qisuu.com(网站域名, 这里以奇书网为例)

3.双击打开爬虫文件(蜘蛛文件.py),在Spiders包中引用可能用到的包

import sys
reload(sys)
sys.setdefaultencoding("utf-8")
import scrapy
import urlparse
from ..items import BooksItem

(ps:文件夹图标中带空心圆为包,只有包才能直接引入,带__init__.py的文件,

没有则表示文件夹)

以下是创建爬虫文件自带:

class BooksSpider(scrapy.Spider):
    name = 'books'
    allowed_domains = ['www.qisuu.com']
    start_urls = ['http://www.qisuu.com/']

    def parse(self, response):
    　　pass

4.明确爬取目标

以奇书网为例:

1)请求导航条上每个按钮对应页面

2)分别解析每个页面的电子书列表(主要获得电子书详情URL)

3)请求详情URL,解析电子书的详细信息(书名,封面,评分,大小....下载地址)

4)根据下载地址下载电子书到本地

制作爬虫:

　　在books.py中

# -*- coding: utf- -*-
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
import scrapy
import urlparse
from ..items import BooksItem

class BooksSpider(scrapy.Spider):
    name = 'books'
    allowed_domains = ['www.qisuu.com']
    start_urls = ['http://www.qisuu.com/']

　　　#获取首页导航条的url
    def parse(self, response):

        a_list=response.xpath("//div[@class='nav']/a[@target='_blank']")
        for a in a_list:
            #分类名称
            category_namme=a.xpath("text()").extract_first("")
            #拼接完整的分类url
            category_url=urlparse.urljoin(response.url,a.xpath("@href").extract_first(""))

　　　　　　　#yield将结果返回调度器
            #将分类地址转发给downloader下载并将结果传给parse_books_list
            #meta:专门用来传递参数,类型是字典
            yield scrapy.Request(
                url=category_url,
                callback=self.parse_books_list,
                meta={"category_namme":category_namme,}
            )
　　　　

　　　#获取分类页面的所有url
    def parse_books_list(self,response):
        href_list=response.xpath("//div[@class='listBox']/ul/li/a/@href").extract()
        for href in href_list:
            list_href=urlparse.urljoin(response.url,href)
            yield scrapy.Request(
                url=list_href,
                callback=self.parse_books_detail,
                meta=response.meta,
                # meta={"category_namme": response.meta['category_namme'],}
            )
　　　　　　#获取所有页数,并循环获得每一页的url
        all_pages=response.xpath("//select[@name='select']/option/@value").extract()
        for page in all_pages:
            detail_url=urlparse.urljoin(response.url,page)
            yield scrapy.Request(
                url=detail_url,
                callback=self.parse_books_list,
                meta=response.meta
            )
　　　　

　　　#获取每个小说的详情
    def parse_books_detail(self,response):
        info_div=response.xpath("//div[@class='detail_right']")
        title=info_div.xpath("h1/text()").extract_first("")
        li_list=info_div.xpath("ul/li")
        size=li_list[].xpath("text()").extract_first("")
        size=size.replace(u"文件大小：","").strip()
        date_time=li_list[].xpath("text()").extract_first("")
        date_time=date_time.replace(u"发布日期：","").strip()
        user=li_list[].xpath("a/text()").extract_first("")
        download_times=li_list[].xpath("text()").extract_first("")
        download_times = download_times.replace(u"下载次数：", "").strip()
        book_degree=li_list[].xpath("em/@class").extract_first("")
        book_degree = book_degree.replace("lstar","").strip()
        download_url=response.xpath("//a[@class='downButton']/@href")[].extract()
        img_url=response.xpath("//div[@class='detail_pic']/img/@src").extract_first("")
        img_url=urlparse.urljoin(response.url,img_url)
        category_namme=response.meta['category_namme']
        print title,user,date_time,category_namme

        item=BooksItem()
        item['title']=title
        item['size']=size
        item['date_time']=date_time
        item['user']=user
        item['download_times']=download_times
        item['book_degree']=book_degree
        item['download_url'] = [u"%s"%download_url] #当下在路径有乱码,加u 小说要以GBK格式存储,有中文时要进行编码
        item['img_url']=[img_url]
        item['category_namme']=category_namme
        yield item
　　　　#yield 将结果返回给items.py文件

　　代码中的xpath与正则表达式是一样的,只是用法更加简单方便, 具体操作可百度, 此处不细说.

　　在items.py文件中

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class BooksspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # pass
   class BooksItem(scrapy.Item):
    title = scrapy.Field()
    size = scrapy.Field()
    date_time = scrapy.Field()
    user = scrapy.Field()
    download_times = scrapy.Field()
    book_degree = scrapy.Field()
    download_url = scrapy.Field()
    img_url = scrapy.Field()
    category_namme = scrapy.Field()

#自定义一个类,用来接收获取到的数据
#Field()可以接受任何类型的参数

这时就可以开始爬虫了, 代码为:

scrapy crawl books -o book.json -s FEED_EXPORT_ENCODING = utf-8

　　其中 scrapy crawl books 是运行books爬虫程序, -o book.json 为以json格式保存, FEED_EXPORT_ENCODING = utf-8 为编码格式

友情提示: 不要轻易去爬虫,只有确定自己代码没有问题才可以,可以先使用终端测试(cmd),将代码一行一行依次粘贴运行

scrapy shell http://www.qisuu.com

　　(ps:利用CMD终端测试,不要轻易去爬虫,成功末尾显示IN[1],然后依次在终端复制粘贴进去

　　相关代码,包括相关引入import代码,利用xpath取特定数据可在终端打印查看效果,有时要回

　　车两次展示,在目标网站没有反爬虫协议或所需数据极少时可考虑在Terminal直接运行)

如果想要下载至本地:

需要修改settings.py文件

ITEM_PIPELINES = {
   # 'BooksSpider.pipelines.BooksspiderPipeline': 300,
    "scrapy.pipelines.images.ImagesPipeline":1,
    "scrapy.pipelines.files.FilesPipeline":2,
}
IMAGES_URLS_FIELD = "img_url"
IMAGES_STORE = "imgs"
FILES_URLS_FIELD = "download_url"
FILES_STORE = "files"

　　找到ITEM_PIPELINES,大约在67行,做出如上修改,IMAGES_URLS_FIELD获取下载图片的url, IMAGES_STORE新建一个文件夹,用来存放图片 FILES用法鱼IMAGES一致

可能存在的问题,原因及解决方案:

1.网站源代码结构与请求到的代码结构可能不一致

(如tbody只在浏览器渲染的结构中有而请求出来的没有)

解决方案:优化xpath写法,或改用正则表达式

2.请求robots.txt后显示200意为请求到反爬虫协议成功会自动停止爬虫程序

解决方案:设置不遵守robots.txt反爬虫协议,强行进入

3.在请求到某个url显示200成功后却突然自动停止爬虫(closing spider)

可能原因:若显示Filtered offsite request则意为scrapy自动过滤该url把它放入了黑名单

解决方案:在该url代码运行的函数meta字典中加入dont_filter = True默认

True不要过滤,若改为False则是要过滤

 

以上就是Scrapy爬虫的基本逻辑!