准备工作展开目录
- 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
Comments | NOTHING