Python爬取读书网的图片链接和书名并保存在数据库中

一个比较基础且常见的爬虫，写下来用于记录和巩固相关知识。

一、前置条件

本项目采用scrapy框架进行爬取，需要提前安装

pip install scrapy

# 国内镜像
pip install scrapy -i https://pypi.douban.com/simple

由于需要保存数据到数据库，因此需要下载pymysql进行数据库相关的操作

pip install pymysql

# 国内镜像
pip install pymysql -i https://pypi.douban.com/simple

同时在数据库中创立对应的表

create database spider01 charset utf8;

use spider01;

# 这里简单创建name和src
create table book(
  id int primary key auto_increment,
  name varchar(188),
  src varchar(188) 
);

二、项目创建

在终端进入准备存放项目的文件夹中

1、创建项目

scrapy startproject scrapy_book

创建成功后，结构如下：

2、跳转到spiders路径

cd scrapy_book\scrapy_book\spiders

3、生成爬虫文件

由于涉及链接的提取，这里生成CrawlSpider文件

scrapy genspider -t crawl read Www.dushu.com

注意：先将第11行中follow的值改为False，否则会跟随从当前页面提取的链接继续爬取，避免过度下载

4、项目结构说明

接下来我们一共要修改4个文件完成爬取功能：

• read.py: 自定义的爬虫文件，完成爬取的功能
• items.py： 定义数据结构的地方，是一个继承自scrapy.Item的类
• pipelines.py： 管道文件，里面只有一个类，用于处理下载数据的后续处理
• setings.py： 配置文件 比如：是否遵循robots协议，User-Agent协议

三、网页分析

1、图书分析

读书网主页：

在读书网中，随便选取一个分类，这里以外国小说为例进行分析

这里我们简单爬取它的图片和书名，当然也可扩展

使用xpath语法对第一页的图片进行分析

由上图可以知道

书名：//div[@class="bookslist"]//img/@alt

书图片地址：//div[@class="bookslist"]//img/@data-original 不是src属性是因为页面图片使用懒加载

2、页码分析

第一页：外国小说 - 读书网|dushu.com 或 https://www.dushu.com/book/1176_1.html

第二页：外国小说 - 读书网|dushu.com

第三页：外国小说 - 读书网|dushu.com

发现规律，满足表达式：r"/book/1176_\d+\.html"

四、项目完成

1、修改items.py文件

自己定义下载数据的结构

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

import scrapy


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

    # 书名
    name = scrapy.Field()
    # 图片地址
    src = scrapy.Field()

2、修改settings.py文件

将第65行的ITEM_PIPELINES的注释去掉，并在下面新增自己数据库的相关配置

3、修改pipnelines.py文件

进行下载数据的相关处理

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

# 加载settings文件
from scrapy.utils.project import get_project_settings
import pymysql


class ScrapyBookPipeline:
    # 最开始执行
    def open_spider(self,spider):
        settings = get_project_settings()
        # 获取配置信息
        self.host = settings['DB_HOST']
        self.port = settings['DB_PORT']
        self.user = settings['DB_USER']
        self.password = settings['DB_PASSWROD']
        self.name = settings['DB_NAME']
        self.charset = settings['DB_CHARSET']

        self.connect()

    def connect(self):
        self.conn = pymysql.connect(
            host=self.host,
            port=self.port,
            user=self.user,
            password=self.password,
            db=self.name,
            charset=self.charset
        )
        self.cursor = self.conn.cursor()

    # 执行中
    def process_item(self, item, spider):
        # 根据自己的表结构进行修改，我的是book表
        sql = 'insert into book(name,src) values("{}","{}")'.format(item['name'], item['src'])

        # 执行sql语句
        self.cursor.execute(sql)
        # 提交
        self.conn.commit()

    # 结尾执行
    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

4、修改read.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

# 导入时可能有下划线报错，是编译器问题，可以正常使用
from scrapy_book.items import ScrapyBookItem


class ReadSpider(CrawlSpider):
    name = "read"
    allowed_domains = ["www.dushu.com"]

    # 改为第一页的网址,这样都能满足allow的规则，不遗漏
    start_urls = ["https://www.dushu.com/book/1176_1.html"]

    # allow属性提取指定链接，下面是正则表达式    callback回调函数   follow是否跟进就是按照提取连接规则进行提取这里选择False
    rules = (Rule(LinkExtractor(allow=r"/book/1176_\d+\.html"), callback="parse_item", follow=False),)

    def parse_item(self, response):
        item = {}
        # item["domain_id"] = response.xpath('//input[@id="sid"]/@value').get()
        # item["name"] = response.xpath('//div[@id="name"]').get()
        # item["description"] = response.xpath('//div[@id="description"]').get()

        # 获取当前页面的所有图片
        img_list = response.xpath('//div[@class="bookslist"]//img')
        for img in img_list:
            name = img.xpath('./@alt').extract_first()
            src = img.xpath('./@data-original').extract_first()
            book = ScrapyBookItem(name=name, src=src)

            # 进入pipelines管道进行下载
            yield book

5、下载

终端进入spiders文件夹，运行命令：scrapy crawl read

其中read是spiders文件夹下read.py中name的值

6、结果

一共下载了40(每一页的数据) * 13(页) = 520条数据

将read.py中的follow改为True即可下载该类书籍的全部数据，总共有100页，如果用流量的话谨慎下载，预防话费不足。

5、结语

这个爬虫项目应该可以适用于挺多场景的，不是特别多， 跟着写一下也没啥坏处。如果有代码的需求的话，日后会把项目的代码地址给出。因为自己学爬虫没多久，记录一下梳理下思路，也可以为以后有需要的时候做参考。