python爬虫爬取歌曲_python爬虫实战:爬取全站小说排行榜

喜欢看小说的骚年们都知道，总是有一些小说让人耳目一新，不管是仙侠还是玄幻，前面更了几十章就成功圈了一大波粉丝，成功攀上飙升榜，热门榜等各种榜，扔几个栗子出来：

新笔趣阁是广大书友最值得收藏的网络小说阅读网,网站收录了当前......我就不打广告了（其他满足下文条件的网站也行，之前已经有做过简单爬取章节的先例了，但效果不太理想，有很多不需要的成分被留下了，来链接：http://python.jobbole.com/88560/。我们本文就爬取这个网站的上千本小说。重点在和大家一起分享一些爬虫的思路和一些很常遇到的坑。

一、爬取单本小说

爬取该网站相对来讲还是很容易的，打开编辑器（推荐使用PyCharm，功能强大），首先引入模块urllib.request(Python2.x的引入urllib和urllib2即可，待会我把2.x的也写出来给大家看看)，给出网站URL，写下请求，再添加请求头（虽然这个网站不封号，但作者建议还是要养成每次都写请求头的习惯，万一那天碰到像豆瓣似的网站，一不留神就把你封了）话不多说，直接上图：

然后再将请求发送出去，定义变量response，用read（）方法观察，注意将符号解码成utf-8的形式，省的乱码：

打印一下看结果：

看到这么一大条就对喽，对比一下网页源码，发现是一致的。

这步观察很重要，因为这就说明该网站没有使用AJAX异步加载，否则就要开始抓包的工作了，这个我们留着分析动态网站时候再说。建议大家在没有更好的方法时使用。之前记得确实有直接判断的方法，然而一不小心忘记了，有知道的读者还请发给我哦。

我们现在得到了网站的response，接下来就是对我们想要获取的数据进行解析、提取，但等等，考虑到我们要爬取大量小说，不搞一个数据库存储真是太失败了，作者推荐MongoDB数据库，属于NOSQL类型数据库，以文档存储为主，这里用来爬小说真是太适合不过了。但安装起来需要一定的程序，想要试着做做的骚年可以参考一下下载和安装教程，参考链接：http://blog.csdn.net/u011262253/article/details/74858211，在安装好后为方便启动，可以添加环境变量，但这里有个坑，你要先打开mongod(注意是mongodb，别一上来就打开mongo)，然后需要准确添加dbpath路径，不然打开很容易就会失败，上图上图：

失败状态

成功状态

添加路径后成功连接，出现waiting for connections on port 27017，则表示数据库连接成功，而后就不要关掉这个终端了，只有保持数据库是连接的，才可运行MongoDB数据库（不然报错你都不知道自己是怎么死的）

好了，连接好数据库后，我们将数据库与编辑器进行交互链接，位置很隐秘，在File>>Settings>>Plugins下添加组件Mongo Plugin，没有就下载一个：

盗个图

我们在编辑器内编写代码，引入Python专门用来与MongoDB交互的模块pymongo，然后在最上面链接MongoDB数据库的端口，默认是27017，我们先创建一个叫做reading的数据库，然后在reading内新建一个叫做sheet_words的数据表，代码如下：

我们先找一个叫做《修罗武神》的小说来练练手，个人来讲，我很讨厌看小说时来回的翻页，有时候还跳出广告，这时候我还得返回去重新翻页，作为一名懒得不行的懒人，我想到要是把整部小说放进一个文档里再看不就好了么，但要是一章一章的复制粘贴我想还是算了吧，这时候你就知道爬虫是有多么便捷了。好，现在我们要做的是把《修罗武神》这部小说完整的爬取下来，并在数据库中备份。我们回到刚才停留的地方，在得到response后，我们应该选用一种方法来解析网页，一般的方法有re,xpath,selector(css),建议新手使用xpath而不是re,一是因为re用不好很容易导致错误，“当你决定用正则表达式解决问题时，你有了两个问题。”，相比较xpath才是步骤明确，十分稳妥；二是在Firefox，Chrome等浏览器中可以直接复制xpath路径，大大的减少了我们的工作量，上图：

如果你决定使用xpath之后，我们需要从lxml中引入etree模块,然后就可以用etree中的HTML()方法来解析网页了，从网页>检察元素（F12）中复制下来我们所需数据的路径，我选择的是小说每章的标题和内容，上图，上图：

路径//div[@class="readAreaBox content"]/h1/text()

路径/html/body/div[4]/div[2]/div[2]/div[1]/div[2]/text()

注意注意，又来一个坑，当你复制xpath时得到的是这个东东：

//div[@class="readAreaBox content"]/h1

和这个东东;

/html/body/div[4]/div[2]/div[2]/div[1]/div[2]

但你需要的是这个路径里的文本text，故我们需要另外添加具体文本：/text()，然后就像上面那样啦。上代码，查数据：

完整代码见百度网盘：

链接：https://pan.baidu.com/s/1jHYNF86密码：ho9d

小说有点大，一共是三千五百章，等个大约4-7分钟吧，打开文件夹《修罗武神小说》，就可以看到我们下载好的无需翻页的一整部小说，数据库内页备份好了每章的链接，它自动从零开始排的，就是说你要看第30章就得打开序号为29的链接，这个调一下下载时的顺序就好了，作者很懒，想要尝试下的读者可以自行更改。

小说文本

数据库连接

看看，感觉还不错吧，好的小例子讲完了，接下来我们准备进入正题。

我们要像上面的例子那样爬取整个网站，当然这里就不再建议使用普通的编辑器来来执行了，聪明的读者已经发现，一部小说爬了4分钟，那么上千本不说，单单是一组排行榜里的100本就够爬好一会了，这就显示出Scripy框架的作用，用专门的Scripy框架写工程类爬虫绝对快速省力，是居家写虫的必备良药哇。

二、爬取小说榜所有小说

首先安装Scrapy的所有组件，建议除pywin32以外都用pip安装,不会的话度娘吧，很简单的，pywin32需要下载与你所用Python版本相同的安装文件。

来连接：https://sourceforge.net/projects/pywin32/

Scrapy插件安装成功

然后还是老规矩，不想每次终端运行都一点一点找路径的话，就将根目录添加到环境变量，然后打开终端，我们测试一下是否安装成功：

Scrapy安装成功

好，安装完毕后，打开终端，新建一个Scrapy工程，这里你可以根据索引，选择使用Scrapy的各种功能，这里不一一详解了，D盘内已经出现了我们建立好的Scrapy工程文件夹：

打开文件夹，我们会看到Scrapy框架已经自动在reading文件夹中放置了我们所需的一切原材料：

打开内部reading文件夹，就可以在spiders文件夹中添加爬虫py代码文件了：

我们这里定向爬小说排行榜，除了我们写的spider文件，还要在items.py中定义我们要爬取的内容集，有点像词典一样，名字可以随便取，但已有的继承类scrapy.Item可不能改，这是Scrapy内部自定义的类，改了它可找不到，spider就用我们上面抓取单本再加一个for循环就OK了，十分简单，一言不合就上图：

爬虫文件截图

爬取的小说排行榜

每个排行榜上大约20本小说

每部小说的爬取情况（用的是.json格式）

小说显示内容

想要完整代码的骚年们，见百度网盘链接：

items：

链接：https://pan.baidu.com/s/1pKLMyWr

密码：3dee

Settings：

链接：https://pan.baidu.com/s/1slkKQV7

密码：xn0u

Spider：

链接：https://pan.baidu.com/s/1nvBrrtf

密码：76z8

至此，我们所需的数据就都爬取完了，它们都按照相应的文件夹目录放置好在相应位置，适合条理性的观看。

来源：作者投稿链接：https://www.jianshu.com/p/c32ad98e7ee6

Python网络爬虫与数据挖掘

学习Python和网络爬虫关注公众号：datanami

入群请回复「学习」

近期文章：

python爬虫爬取歌曲_python爬虫实战:爬取全站小说排行榜相关推荐

python爬网易新闻_Python爬虫实战教程：爬取网易新闻；爬虫精选高手技巧
Python爬虫实战教程:爬取网易新闻:爬虫精选高手技巧发布时间:2020-02-21 17:42:43 前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有, ...
python爬虫爬取图片代码_python爬虫实战爬取天极图片
学习爬虫个人的意见是直接实战效果会很好不要等全学完requests ,正则表达式,BeautifulSoup等再来实际操作.其实很多实战我们并不会用到requests库,BeautifulSoup, ...
python 爬网站实例_python爬虫实战：之爬取京东商城实例教程！（含源代码）
前言: 本文主要介绍的是利用python爬取京东商城的方法,文中介绍的非常详细,下面话不多说了,来看看详细的介绍吧. 主要工具 scrapy BeautifulSoup requests 分析步骤 1 ...
python爬京东联盟_python爬虫框架scrapy实战之爬取京东商城进阶篇
前言之前的一篇文章已经讲过怎样获取链接,怎样获得参数了,详情请看python爬取京东商城普通篇,本文将详细介绍利用python爬虫框架scrapy如何爬取京东商城,下面话不多说了,来看看详细的介绍吧 ...
python爬网易新闻_Python爬虫实战教程：爬取网易新闻
前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: Amauri PS:如有需要Python学习资料的小伙伴可以加点击 ...
python爬虫抓取房产_Python爬虫实战（3）：安居客房产经纪人信息采集
1, 引言 Python开源网络爬虫项目启动之初,我们就把网络爬虫分成两类:即时爬虫和收割式网络爬虫.为了使用各种应用场景,该项目的整个网络爬虫产品线包含了四类产品,如下图所示: 本实战是上图中的&q ...
python爬虫网络数据包_Python爬虫之多线程图虫网数据爬取（十六）
Python爬虫之多线程图虫网数据爬取(十六) 发布时间:2019-05-14 10:11, 浏览次数:289 , 标签: Python 原创不易,转载前请注明博主的链接地址:Blessy_Zhu h ...
python爬取网页内容_Python爬虫原理解析
笔者公众号:技术杂学铺笔者网站:mwhitelab.com 本文将从何为爬虫.网页结构.python代码实现等方面逐步解析网络爬虫. 1. 何为爬虫如今互联网上存储着大量的信息. 作为普通网民,我 ...
python爬虫微博评论图片_python爬虫爬取微博评论
原标题:python爬虫爬取微博评论 python爬虫是程序员们一定会掌握的知识,练习python爬虫时,很多人会选择爬取微博练手.python爬虫微博根据微博存在于不同媒介上,所爬取的难度有差异,无 ...

python爬虫爬取歌曲_python爬虫实战:爬取全站小说排行榜

python爬虫爬取歌曲_python爬虫实战:爬取全站小说排行榜相关推荐

最新文章

热门文章