首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >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

作者头像
Python小屋屋主
发布2018-04-16 16:10:33
1.5K0
发布2018-04-16 16:10:33
举报
文章被收录于专栏:Python小屋Python小屋

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

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2016-12-31,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python小屋 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档