日韩久久久精品,亚洲精品久久久久久久久久久,亚洲欧美一区二区三区国产精品 ,一区二区福利

python使用Scrapy框架抓取起點(diǎn)中文網(wǎng)免費(fèi)小說(shuō)案例

系統(tǒng) 2014 0

使用工具,ubuntu,python,pycharm
一、使用pycharm創(chuàng)建項(xiàng)目:過(guò)程略
二、安裝scrapy框架

          
            pip install Scrapy
          
        

三、創(chuàng)建scrapy項(xiàng)目:

          
            1.創(chuàng)建爬蟲(chóng)項(xiàng)目
          
        
          
                scrapy startproject qidian
          
        
          
            2.創(chuàng)建爬蟲(chóng),先進(jìn)入爬蟲(chóng)項(xiàng)目目錄

          
        
          
            cd qidian/
scrapy genspider book book.qidian.com
          
        

創(chuàng)建完成后項(xiàng)目目錄如下


目錄下的的book.py就是我們的爬蟲(chóng)文件

四、打開(kāi)book.py編寫(xiě)爬蟲(chóng)的代碼

          
            1.進(jìn)入需要爬去的書(shū)的目錄,找到開(kāi)始url
設(shè)置start_url:
          
        
          
            #鬼吹燈圖書(shū)目錄
start_urls = ['https://book.qidian.com/info/53269#Catalog']
          
        
          
            2、在創(chuàng)建項(xiàng)目的時(shí)候,篩選的url地址為:
          
        

allowed_domains = ['book.qidian.com']

          
              打開(kāi)圖書(shū)章節(jié)后發(fā)現(xiàn)章節(jié)的url如下:
 # https://read.qidian.com/chapter/PNjTiyCikMo1/FzxWdm35gIE1
  所以需要將read.qidian.com 加入allowed_domains 中,
          
        
          
            allowed_domains = ['book.qidian.com', 'read.qidian.com']
          
        
          
            剩下的就是通過(guò)xpath 獲取抓取到的內(nèi)容,提取我們需要的內(nèi)容
完整代碼如下
          
        
          
            # -*- coding: utf-8 -*-
import scrapy
import logging

logger = logging.getLogger(__name__)


class BookSpider(scrapy.Spider):
    name = 'book'
    allowed_domains = ['book.qidian.com', 'read.qidian.com']
    start_urls = ['https://book.qidian.com/info/53269#Catalog']

    def parse(self, response):
        # 獲取章節(jié)列表
        li_list = response.xpath('//div[@class="volume"][2]/ul/li')
        # 列表循環(huán)取出章節(jié)名稱(chēng)和章節(jié)對(duì)應(yīng)的url
        for li in li_list:
            item = {}
            # 章節(jié)名稱(chēng)
            item['chapter_name'] = li.xpath('./a/text()').extract_first()
            # 章節(jié)url
            item['chapter_url'] = li.xpath('./a/@href').extract_first()
            # 獲取到的url //read.qidian.com/chapter/PNjTiyCikMo1/TpiSLsyH5Hc1
            # 需要重新構(gòu)造
            item['chapter_url'] = 'https:' + item['chapter_url']
            # 循環(huán)抓取每個(gè)章節(jié)的內(nèi)容
            if item['chapter_url'] is not None:
                # meta:傳遞item數(shù)據(jù)
                yield scrapy.Request(item['chapter_url'], callback=self.parse_chapter, meta={'item': item})

    def parse_chapter(self, response):
        item = response.meta['item']
        # 獲取文章內(nèi)容
        item['chapter_content'] = response.xpath('//div[@class="read-content j_readContent"]/p/text()').extract()
        yield item

          
        

五、將爬去數(shù)據(jù)保存到mongodb中

          
            1.修改setting文件
找到并打開(kāi)注釋?zhuān)?
          
        
          
            ITEM_PIPELINES = {
    'qidain.pipelines.QidainPipeline': 300,
}
          
        
          
            2.添加monggodb相關(guān)配置

          
        
          
            # 主機(jī)地址
MONGODB_HOST = '127.0.0.1'
# 端口
MONGODB_PORT = 27017
# 需要保存的數(shù)據(jù)哭名字
MONGODB_DBNAME = 'qidian'
# 保存的文件名
MONGODB_DOCNAME = 'dmbj'
          
        
          
            3.在pipelines.py文件中保存數(shù)據(jù),最終文件內(nèi)容如下
          
        
          
            # -*- coding: utf-8 -*-

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

from scrapy.conf import settings
import pymongo


class QidainPipeline(object):
    def __init__(self):
        '''在__init__中配置mongodb'''
        host = settings['MONGODB_HOST']
        port = settings['MONGODB_PORT']
        db_name = settings['MONGODB_DBNAME']
        client = pymongo.MongoClient(host=host, port=port)
        db = client[db_name]
        self.post = db[settings['MONGODB_DOCNAME']]

    def process_item(self, item, spider):
        self.post.insert(item)
        return item

          
        

更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號(hào)聯(lián)系: 360901061

您的支持是博主寫(xiě)作最大的動(dòng)力,如果您喜歡我的文章,感覺(jué)我的文章對(duì)您有幫助,請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點(diǎn)擊下面給點(diǎn)支持吧,站長(zhǎng)非常感激您!手機(jī)微信長(zhǎng)按不能支付解決辦法:請(qǐng)將微信支付二維碼保存到相冊(cè),切換到微信,然后點(diǎn)擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對(duì)您有幫助就好】

您的支持是博主寫(xiě)作最大的動(dòng)力,如果您喜歡我的文章,感覺(jué)我的文章對(duì)您有幫助,請(qǐng)用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長(zhǎng)會(huì)非常 感謝您的哦!!!

發(fā)表我的評(píng)論
最新評(píng)論 總共0條評(píng)論
主站蜘蛛池模板: 唐河县| 阳春市| 布拖县| 绍兴县| 沽源县| 大丰市| 永春县| 古丈县| 大埔县| 淄博市| 凤庆县| 汝州市| 长兴县| 金湖县| 青河县| 奉节县| 双鸭山市| 静乐县| 察隅县| 建始县| 云林县| 阳信县| 镇康县| 六盘水市| 宣城市| 东源县| 江永县| 称多县| 汽车| 吉林省| 本溪市| 广州市| 冕宁县| 安阳市| 柳林县| 库车县| 色达县| 进贤县| 勃利县| 喀什市| 嘉兴市|