Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文

大宗师是著名网络小说作家蛇从革的系列作品“宜昌鬼事”之一，在天涯论坛具有超级高的访问量。这个长篇小说于2015年3月17日开篇，并于2016年12月29日大结局，期间每天有7万多读者阅读。如果在天涯社区直接阅读的话，会被很多读者留言干扰，如图

于是，我写了下面的代码，从天涯社区该小说的第一篇开始依次爬取每一页，提取作者“蛇从革”发过的文字并保存成为记事本文档。当然，代码还可以再优化一下，例如有时候作者就发了一句话“今天没有了”，按说这样的话可以过滤掉，大家可以自行修改。

在运行代码之前，首先要正确安装Python的爬虫框架scrapy，这个扩展库在Python 2.7.x中表现一直不错，现在也支持Python 3.5.x以及更新版本，可以使用pip直接进行安装，但是scrapy依赖的某些扩展库对高版本Python支持并不是很好，在使用pip安装scrapy的过程中如果某个依赖的扩展库安装失败，可以到网上下载相应的whl文件进行安装，重复上面的过程，知道出现“Successfully installed...”这样的提示。

接下来就是创建爬虫项目了，进入命令提示符（cmd）环境，切换至Python安装目录的scripts目录，执行命令scrapy startproject xiaoshuo创建爬虫项目xiaoshuo，进入该目录，然后编写Python程序文件\spiders\spiderYichangGuishi.py（内容就是下面的代码），然后在命令提示符环境中执行命令scrapy crawl spiderYichangGuishi，稍等大概3分钟左右即可爬取小说全文并生成记事本文档。

当然，在编写爬虫代码之前，需要对目标网站进行分析一下，打开要小说首页，右键，单击“查看源代码”，然后分析网页结构，如图，红色标记处是比较重点的地方。

\spiders\spiderYichangGuishi.py代码如下：

import scrapy

class MySpider(scrapy.spiders.Spider):

#爬虫的名字，每个爬虫必须有不同的名字

name = 'spiderYichangGuishi'

#要爬取的小说首页，第一篇

start_urls = ['http://bbs.tianya.cn/post-16-1126849-1.shtml']

#对每个要爬取的页面，会自动调用下面这个方法

def parse(self, response):

#用来存放当前页中的小说正文

content = []

for i in response.xpath('//div'):

#作者蛇从革的天涯账号

if i.xpath('@_hostid').extract()==['13357319']:

for j in i.xpath('div//div'):

#提取文本

c = j.xpath('text()').extract()

#过滤干扰符号

g = lambda x:x.strip('\n\r\u3000').replace('<br>', '\n').replace('|', '')

c = '\n'.join(map(g, c)).strip()

content.append(c)

with open('result.txt', 'a+', encoding='utf8') as fp:

fp.writelines(content)

#获取下一页网址并继续爬取

url = response.url

d = url[url.rindex('-')+1:url.rindex('.')]

next_url = 'http://bbs.tianya.cn/post-16-1126849-{0}.shtml'.format(int(d)+1)

try:

yield scrapy.Request(url=next_url, callback=self.parse)

except:

pass

爬取到的小说大概就是下面的样子了

更多Python技术文章请关注微信公众号“Python小屋”阅读。

Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文相关推荐

Python 采用Scrapy爬虫框架爬取豆瓣电影top250
scrapy 简介在此,默认已经安装好Scrapy,如果没有安装可以到scrapy 官网下载安装. 注意: 在安装Scrapy之前首先需要安装一下python第三方库:(安装方法并不在本文讲解范围, ...
Python Scrapy爬虫框架爬取51job职位信息并保存至数据库
Python Scrapy爬虫框架爬取51job职位信息并保存至数据库 -------------------------------- 版权声明:本文为CSDN博主「杠精运动员」的原创文章,遵循CC ...
Python Scrapy 爬虫框架爬取推特信息及数据持久化！整理了我三天！
最近要做一个国内外新冠疫情的热点信息的收集系统,所以,需要爬取推特上的一些数据,然后做数据分类及情绪分析.作为一名合格的程序员,我们要有「拿来主义精神」,借助别人的轮子来实现自己的项目,而不是从头搭建 ...
使用scrapy爬虫框架爬取慕课网全部课程信息
爬取的链接: http://www.imooc.com/course/list 爬取的内容: 课程链接, 课程的图片url, 课程的名称, 学习人数, 课程描述 1.安装scrapy模块 pip in ...
Python之Scrapy爬虫实战--爬取妹子图
1.前言反正闲着也是闲着,不如来学习啊! 2.关键代码新建项目不会的同学可参考我的另一篇博文,这里不再赘述:Python之Scrapy爬虫实战–新建scrapy项目这里只讲一下几个关键点,完整 ...
用Scrapy爬虫框架爬取食品论坛数据并存入数据库
这篇文章主要给大家介绍了食品网站的数据采集和存储过程,详解了如何分析网页结构.爬虫策略.网站类型.层级关系.爬虫方法和数据存储过程,最终实现将帖子的每条评论爬取到数据库中,并且做到可以更新数据,防止重 ...
scrapy爬虫框架爬取词语、医疗问答
源码请看: https://github.com/liuluyeah/baidudic 转载于:https://blog.51cto.com/9283734/2092321
Scrapy 爬虫实战-爬取字幕库
Scrapy 爬虫实战-爬取字幕库 1.首先,创建Scrapy框架创建工程 scrapy startproject zimuku创建爬虫程序 cd zimuku scrapy genspider z ...
Python集成scrapy和selenium爬取苏宁图书
Python集成scrapy和selenium爬取苏宁图书环境:python3.6 pycharm2018.1.3 前言本人渣渣一枚,为爬虫苏宁图书获取数据,将获得的数据保存在MangoDB中,现 ...

Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文

Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文相关推荐

最新文章

热门文章