MENU

Python - 手把手教你用Scrapy编写一个爬虫

• March 18, 2022 • 教程

前言

在群里和群友们聊天，就聊到了用爬虫去爬小说方法，毫无疑问肯定首选Python啊，依稀记得之前大数据比赛时候联系的数据可视化使用Scrapy和Flask，那就用Scrapy写一个小爬虫吧，说干就干

准备工作

  • Windows 11

  • Python 3.7.9

    搭建环境

    安装Scrapy

    pip install Scrapy

    创建Scrapy项目

    scrapy startproject novelScrapy

    目录已经出来了，大概像下面这样

    novelScrapy/
  scrapy.cfg
  novelScrapy/
      __init__.py
      items.py
      pipelines.py
      settings.py
      spiders/
          __init__.py

    框架都出来了，我们先创建一只可爱的小爬虫

    scrapy genspider novel "https://www.xbiquge.la"

    然后准备工作就做好了，此时的目录是这样的

    novelScrapy/
  scrapy.cfg
  novelScrapy/
      __init__.py
      items.py
      pipelines.py
      settings.py
      spiders/
          __init__.py
          novel.py

    写代码

    打开Chrome或者Edge(我用的Edge)，打开某趣阁的目录界面，然后F12审查元素，找到目录的超链接标签，右键复制Xpath

    //*[@id="list"]/dl/dd[1]/a

    然后就巴拉巴拉省略一大堆分析过程，直接打开我们的小爬虫文件(novel.py)，然后直接咔咔一顿写代码，写完之后，就是这样的

    import scrapy

from novelCrapy.items import NovelcrapyItem


class NovelSpider(scrapy.Spider):
  name = 'novel'
  allowed_domains = ['www.xbiquge.la']
  start_urls = ['https://www.xbiquge.la/xiaoshuodaquan/']
  root_url = 'https://www.xbiquge.la'

  # 先获取小说列表
  def parse(self, response):
      # 获取小说分类
      novel_class_list = response.xpath('//*[@id="main"]/div[@class="novellist"]')
      for i in novel_class_list:
          # 具体分类名
          novel_class = i.xpath('./h2/text()').get()
          # 小说列表
          novel_url = i.xpath('./ul/li/a/@href').extract()
          for novel in novel_url:
              yield scrapy.Request(
                  url=novel,
                  meta={'novel_class': novel_class},
                  callback=self.parse_chapter
              )

  # 获取小说名，和小说章节
  def parse_chapter(self, response):
      # 获取小说分类
      novel_class = response.meta['novel_class']
      # 获取小说名
      novel_name = response.xpath('//*[@id="info"]/h1/text()').get()
      # 获取小说章节列表
      novel_chapter_list = response.xpath('//*[@id="list"]/dl/dd')
      for i in novel_chapter_list:
          # 获取小说章节名
          # novel_chapter = i.xpath('./a/@text()').get()
          novel_chapter = i.xpath('./a').xpath('string(.)').get()
          # 拼接小说章节完整Url
          link = self.root_url + i.xpath('./a/@href').get()
          yield scrapy.Request(
              url=link,
              meta={'novel_class': novel_class, 'novel_name': novel_name, 'novel_chapter': novel_chapter},
              callback=self.parse_content
          )

  # 再获取小说章节内容
  def parse_content(self, response):
      # 小说分类
      novel_class = response.meta['novel_class']
      # 小说名
      novel_name = response.meta['novel_name']
      # 小说章节
      novel_chapter = response.meta['novel_chapter']
      # 获取小说内容
      novel_content = response.xpath('//*[@id="content"]/text()').extract()

      item = NovelcrapyItem()
      item['novel_class'] = novel_class
      item['novel_chapter'] = novel_chapter
      item['novel_name'] = novel_name
      item['novel_content'] = novel_content

      # 处理完毕返回数据
      yield item

    好像忘记写这个item.py了，这个就相当于那个ORM数据库模型似的，写个字段就行了，大概就行下面这样

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

import scrapy


class NovelcrapyItem(scrapy.Item):
  # define the fields for your item here like:
  # 小说分类
  novel_class = scrapy.Field()
  # 小说名
  novel_name = scrapy.Field()
  # 章节名
  novel_chapter = scrapy.Field()
  # 章节内容
  novel_content = scrapy.Field()

    经过上面步骤，我们的小爬虫就可以爬取网站上面所有的小说了，至于分析过程，自己看代码吧，我感觉我注释写的挺全的。
    这个时候，我们好像忽略了一个问题，回顾一下Scrapy的工作过程，大概就像下面这样

    引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道调度器：好的，现在就做！

    看到这，貌似发现了，这个管道调度器一直在偷懒，那怎么行呢，毕竟劳动人民最光荣，必须得给他找点活干，所以我们打开pipelines.py，写一下保存文件的代码

    # 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
import os
import time

from itemadapter import ItemAdapter


class NovelcrapyPipeline:

  def process_item(self, item, spider):
      # 定义小说储存路径
      dir = 'D:\\Project\\Python\\小说\\' + item['novel_class'] + '\\' + item['novel_name'] +'\\'
      # 如果不存在则创建
      if not os.path.exists(dir):
          os.makedirs(dir)

      filename = dir + item['novel_chapter'] + ".txt"
      with open(filename, 'w', encoding="utf-8") as f:
          f.write("".join(item['novel_content']))

      now_time = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))
      print('[%s] %s %s %s 已下载' % (now_time, item['novel_class'], item['novel_name'], item['novel_chapter']))
      return item

    写完这个，我们的小爬虫就可以正常工作了，只需要在cmd里面敲下面的代码，小爬虫就可以爬起来了，只需要Ctrl+C就可以保存进度，下一次可以接着爬

    scrapy crawl novel -s JOBDIR=crawls/novel-1

    优化

    试了一下，感觉速度还是太慢了，我又果断在settings.py里面加上了下面的代码，别问，问就是提速的

    DOWNLOAD_DELAY = 0
CONCURRENT_REQUESTS = 100
CONCURRENT_REQUESTS_PER_DOMAIN = 100
CONCURRENT_REQUESTS_PER_IP = 100
COOKIES_ENABLED = False

    成品

    直接放源码了，如果换一个小说网思路都差不多，改改xpath就可以继续用
    爬虫成品

如无特殊说明《Python - 手把手教你用Scrapy编写一个爬虫》为博主MoLeft原创，转载请注明原文链接为：https://moleft.cn/post-216.html

原创教程Python
Archives QR Code
QR Code for this page
Tipping QR Code
Leave a Comment