爬虫入门（四）——Scrapy框架入门：使用Scrapy框架爬取全书网小说数据

为了入门scrapy框架，昨天写了一个爬取静态小说网站的小程序

下面我们尝试爬取全书网中网游动漫类小说的书籍信息。

---

一、准备阶段

明确一下爬虫页面分析的思路：

对于书籍列表页：我们需要知道打开单本书籍的地址、以及获取点开下一页书籍列表页的链接

对于书籍信息页面，我们需要找到提取：（书名、作者、书本简介、书本连载状态）这四点信息

爬虫流程：书籍列表页中点开一本书→提取每一本书的书籍信息；当一页书籍列表页的书籍全部被采集以后，按照获取的下一页链接打开新的商户及列表页→点开一本书的信息→提取每一本书的信息……

---

二、页面分析

首先，我们先对爬取数据要打开的第一页页面进行分析。

除了使用开发者工具以外，我们还可以使用scrapy shell <url>命令，可以进行前期的爬取实验，从而提高开发的效率。

首先打开cmd（前提必须是安装好了scrapy~，这里就不说怎么按照scrapy了）

输入scrapy shell +<要分析的网址>

可以得到一个这样的结果

运行完这条命令以后，scrapy shell 会用url参数构造一个request对象，并且提交给scrapy引擎，页面下载完以后程序进入一个pyhon shell中，我们可以调用view函数使用浏览器显示response所包含的页面

*进行页面分析的时候view函数解析的页更加可靠。

弹出页面如下：

通过观察源代码，可以发现所有书籍link信息前缀为"http://www.quanshuwang.com/book_"

此时我们可以尝试在scrapy shell中提取这些信息

这里使用LinkExtractor提取这些链接

在scrapy shell 输入信息与展示信息如下：

随后我们寻找下一页标签的链接，查看源代码可以发现在一个class 为next的a标签中

在scrapy shell中尝试提取，发现可以成功提取到目的link

接下来分析单页书籍信息

处理思路和分析书籍页面信息一样，获取网页

在shell中通过fetch函数下载书籍信息页面，然后再通过view函数在浏览器中查看该页面

通过查看网页源代码，发现所有数据包含在class为detail的div模块中。

接下来使用response.css或者response.xpath对数据进行提取

在scrapy shell中尝试如下：（这里只举一个例子，其他的可以自己类似尝试）

逐一确定其他目的提取元素的方式以后，可以开始进行正式的编码实现

---

三、编码实现

首先，我们在cmd中进到目的python目录中，创建一个scrapy项目

代码如下：

而后进入到创建的新scrapy项目目录下，新建spider文件

运行以后，scrapy genspider命令创建了文件fiction/spiders/fictions.py，并且创建了相应的spider类

总体文件项如图：（其中，fictions.csv是后面进行爬虫的时候生成的）

接下来我们可以对“框架”按照我们前面的需求进行改写

①首先改写Item项目

在fiction/items.py中修改代码如下

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

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

 import scrapy

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

     bookname = scrapy.Field()
     statement = scrapy.Field()
     author = scrapy.Field()
     simple_content = scrapy.Field()

     pass

②实现页面解析函数

修改fiction/spiders/fictions.py代码如下(具体分析前面已经讨论，注释见详细代码)

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractors import LinkExtractor
 from ..items import FictionItem

 class FictionsSpider(scrapy.Spider):
     name = 'fictions'
     allowed_domains = ['quanshuwang.com']
     start_urls = ['http://www.quanshuwang.com/list/8_1.html']

     # 书籍列表的页面解析函数
     def parse(self,response):
         # 提取书籍列表页面每一本书的链接
         pattern = 'http://www.quanshuwang.com/book_'
         le = LinkExtractor(restrict_xpaths='//*[@class="seeWell cf"]',allow=pattern)
         for link in le.extract_links(response):
             yield scrapy.Request(link.url,callback=self.parse_book)

         # 提取下一页链接
         le = LinkExtractor(restrict_xpaths='//*[@id="pagelink"]/a[@class="next"]')
         links =  le.extract_links(response)
         if links:
             next_url = links[0].url
             yield scrapy.Request(next_url,callback=self.parse)

         pass

     # 书籍界面的解析函数
     def parse_book(self, response):
         book=FictionItem()
         sel = response.css('div.detail')
         book['bookname']=sel.xpath('./div[1]/h1/text()').extract_first()
         book['statement']=sel.xpath('//*[@id="container"]/div[2]/section/div/div[4]/div[1]/dl[1]/dd/text()').extract_first()
         book['author']=sel.xpath('//*[@id="container"]/div[2]/section/div/div[4]/div[1]/dl[2]/dd/text()').extract_first()
         book['simple_content']=sel.xpath('string(//*[@id="waa"])').extract()

         yield book

③设置参数防止存储数据乱码

在setting.py中加上这个代码

FEED_EXPORT_ENCODING = 'utf-8'

④命令行中调用（要进入到/fiction/fiction中（与setting.py同级目录）才能调用）

在cmd输入代码如下

scrapy crawl books -o fiction.csv

就可以调用我们写的爬虫程序进行数据爬取啦！！！

最后贴个爬下来的数据的图