python爬虫-爬取盗墓笔记



      本来今天要继续更新 scrapy爬取美女图片 系列文章，可是发现使用免费的代理ip都非常不稳定，有时候连接上，有时候连接不上，所以我想找到稳定的代理ip，下次再更新  scrapy爬取美女图片之应对反爬虫  文章。

      好了，废话不多说，咱们进入今天的主题。这一篇文章是关于爬取盗墓笔记，主要技术要点是scrapy的使用，scrapy框架中使用mongodb数据库，文件的保存。

 

 

 

　　　这次爬取的网址是  http://seputu.com/。之前也经常在上面在线看盗墓笔记。

 

 

 

　　  按照咱们之前的学习爬虫的做法，使用firebug审查元素，查看如何解析html。

 

       这次咱们要把书的名称，章节，章节名称，章节链接抽取出来，存储到数据库中，同时将文章的内容提取出来存成txt文件。

 

 

 

　　　看一下html结构就会发现这个页面结构非常分明，标题的html节点是  div class = ''mulu-title"，章节的节点是 div class= "box" ，每一章的节点是 div class= "box"中的

标签。

 

 

 

        然后咱们将第一章的链接 http://seputu.com/biji1/1.html打开，上面就是文章的内容。

 

 

 

　　　可以看到文章的内容是使用 div class ="content-body"中的

标签包裹起来的，总体来说提取难度挺小。

 

 

        打开cmd，输入scrapy startproject daomubiji,这时候会生成一个工程，然后我把整个工程复制到pycharm中

 

 

　　

上图就是工程的结构。

 

        DaomubijiSpider.py ------Spider 蜘蛛

 

        items.py -----------------对要爬取数据的模型定义

 

        pipelines.py-------------处理要存储的数据(存到数据库和写到文件)

 

        settings.py----------------对Scrapy的配置

 

        main.py -------------------启动爬虫

 

        test.py -------------------- 测试程序(不参与整体运行)

 

 

   下面将解析和存储的代码贴一下，完整代码已上传到github：https://github.com/qiyeboy/daomuSpider。

 

DaomubijiSpider.py (解析html)
#coding:utf-8
import   scrapy
from   scrapy.selector  import   Selector
from   daomubiji.items  import   DaomubijiItem


class   daomuSpider(scrapy.Spider):
    name  =   "daomu"
    allowed_domains  =   [ "seputu.com" ]
    start_urls  =   [ "http://seputu.com/" ]
    ''.split()

    def   parse( self , response):
        selector  =   Selector(response)
        mulus =   selector.xpath( "//div[@class='mulu']/div[@class='mulu-title']/center/h2/text()" ).extract() #将目录提取出来
        boxs  =   selector.xpath( "//div[@class='mulu']/div[@class='box']" ) #.extract()
        for   i  in   range ( len (mulus)):
            mulu  =   mulus[i] #提取出来一个目录
            box  =   boxs[i] #提取出来一个box
            texts  =   box.xpath( ".//ul/li/a/text()" ).extract() #将文本提取出来
            urls   =   box.xpath( ".//ul/li/a/@href" ).extract() #将链接提取出来
            for   j  in   range ( len (urls)):
                item  =   DaomubijiItem()
                item[ 'bookName' ]  =   mulu
                try :
                    item[ 'bookTitle' ]  =   texts[j].split( ' ' )[ 0 ]
                    item[ 'chapterNum' ]  =   texts[j].split( ' ' )[ 1 ]
                    item[ 'chapterName' ]  =   texts[j].split( ' ' )[ 2 ]
                    item[ 'chapterUrl' ]  =   urls[j]
                    request  =   scrapy.Request(urls[j],callback = self .parseBody)
                    request.meta[ 'item' ]  =   item
                    yield   request


                except   Exception,e:
                    print   'excepiton' ,e
                    continue



    def   parseBody( self ,response):
        '''
        解析小说章节中的内容
        :param response:
        :return:
        '''
        item  =   response.meta[ 'item' ]
        selector  =   Selector(response)

        item[ 'chapterContent' ]  = '\r\n' .join(selector.xpath( "//div[@class='content-body']/p/text()" ).extract())
        yield   item

　　

 

   pipelines.py:（处理要存储的数据）

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import   os
from   scrapy.pipelines.files  import   FilesPipeline
from   daomubiji  import   settings
from   pymongo  import   MongoClient

class   DaomubijiPipeline( object ):
    def   process_item( self , item, spider): #将小说进行存储
        dir_path  =   '%s/%s/%s' % (settings.FILE_STORE,spider.name,item[ 'bookName' ] + '_' + item[ 'bookTitle' ]) #存储路径
        print   'dir_path' ,dir_path
        if   not   os.path.exists(dir_path):
            os.makedirs(dir_path)
        file_path  =   '%s/%s' % (dir_path,item[ 'chapterNum' ] + '_' + item[ 'chapterName' ] + '.txt' )
        with  open (file_path, 'w' ) as file_writer:
            file_writer.write(item[ 'chapterContent' ].encode( 'utf-8' ))
            file_writer.write( '\r\n' .encode( 'utf-8' ))

        file_writer.close()
        return   item

class   DaomuSqlPipeline( object ):

    def   __init__( self ):
    #连接mongo数据库,并把数据存储
        client  =   MongoClient() #'mongodb://localhost:27017/'///'localhost', 27017///'mongodb://tanteng:123456@localhost:27017/'
        db  =   client.daomu
        self .books  =   db.books

    def   process_item( self , item, spider):
        print   'spider_name' ,spider.name
        temp  = { 'bookName' :item[ 'bookName' ],
               'bookTitle' :item[ 'bookTitle' ],
               'chapterNum' :item[ 'chapterNum' ],
               'chapterName' :item[ 'chapterName' ],
               'chapterUrl' :item[ 'chapterUrl' ]
               }
        self .books.insert(temp)

        return   item

　　

 

 

  　　　　接下来切换到main.py所在目录，运行python main.py启动爬虫。

 

 

　　　　     没过几分钟，爬虫就结束了，咱们看一下爬取的数据和文件。

 

　　　　

 

  　　　　　　 数据库数据:

 

　　

 

　　今天的分享就到这里，如果大家觉得还可以呀，记得推荐呦。

 

 欢迎大家支持我公众号:    

 

 

本文章属于原创作品,欢迎大家转载分享。尊重原创,转载请注明来自:七夜 http://blog.csdn.net/qiye_/