python爬虫——爬取盗墓笔记，吴邪跟小哥在等着你python8989的博客-

咱们今天的主题是关于爬取盗墓笔记，主要技术要点是scrapy的使用，scrapy框架中使用mongodb数据库，文件的保存。

　这次爬取的网址是 https://seputu.com/。之前也经常在上面在线看盗墓笔记。

使用firebug审查元素，查看如何解析html。

这次咱们要把书的名称，章节，章节名称，章节链接抽取出来，存储到数据库中，同时将文章的内容提取出来存成txt文件。

看一下html结构就会发现这个页面结构非常分明，标题的html节点是 div class = ”mulu-title”，章节的节点是 div class= “box” ，每一章的节点是 div class= “box”中的<li>标签。

然后咱们将第一章的链接
https://seputu.com/biji1/1.html打开，上面就是文章的内容。

可以看到文章的内容是使用 div class =”content-body”中的<p>标签包裹起来的，总体来说提取难度挺小。

打开cmd，输入scrapy startproject daomubiji,这时候会生成一个工程，然后我把整个工程复制到pycharm中

工程结构

• DaomubijiSpider.py ——Spider 蜘蛛
• items.py —————–对要爬取数据的模型定义
• pipelines.py————-处理要存储的数据(存到数据库和写到文件)
• settings.py—————-对Scrapy的配置
• main.py ——————-启动爬虫
• test.py ——————– 测试程序(不参与整体运行)

下面将解析和存储的代码贴一下

 DaomubijiSpider.py (解析html) #coding:utf-8 import scrapy from scrapy.selector import Selector from daomubiji.items import DaomubijiItem     class daomuSpider(scrapy.Spider):     name = "daomu"     allowed_domains = ["seputu.com"]     start_urls = ["https://seputu.com/"]     ''.split()       def parse(self, response):         selector = Selector(response)         mulus= selector.xpath("//div[@class='mulu']/div[@class='mulu-title']/center/h2/text()").extract()#将目录提取出来         boxs = selector.xpath("//div[@class='mulu']/div[@class='box']")#.extract()         for i in range(len(mulus)):             mulu = mulus[i]#提取出来一个目录             box = boxs[i]#提取出来一个box             texts = box.xpath(".//ul/li/a/text()").extract()#将文本提取出来             urls  = box.xpath(".//ul/li/a/@href").extract()#将链接提取出来             for j in range(len(urls)):                 item = DaomubijiItem()                 item['bookName'] = mulu                 try:                     item['bookTitle'] = texts[j].split(' ')[0]                     item['chapterNum'] = texts[j].split(' ')[1]                     item['chapterName'] = texts[j].split(' ')[2]                     item['chapterUrl'] = urls[j]                     request = scrapy.Request(urls[j],callback=self.parseBody)                     request.meta['item'] = item                     yield request                     except Exception,e:                     print 'excepiton',e                     continue           def parseBody(self,response):         '''         解析小说章节中的内容         :param response:         :return:         '''         item = response.meta['item']         selector = Selector(response)           item['chapterContent'] ='rn'.join(selector.xpath("//div[@class='content-body']/p/text()").extract())         yield ite

   pipelines.py:（处理要存储的数据）   # -*- coding: utf-8 -*-   # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html import os from scrapy.pipelines.files import FilesPipeline from daomubiji import settings from pymongo import MongoClient   class DaomubijiPipeline(object):     def process_item(self, item, spider):#将小说进行存储         dir_path = '%s/%s/%s'%(settings.FILE_STORE,spider.name,item['bookName']+'_'+item['bookTitle'])#存储路径         print 'dir_path',dir_path         if not os.path.exists(dir_path):             os.makedirs(dir_path)         file_path = '%s/%s'%(dir_path,item['chapterNum']+'_'+item['chapterName']+'.txt')         with open(file_path,'w') as file_writer:             file_writer.write(item['chapterContent'].encode('utf-8'))             file_writer.write('rn'.encode('utf-8'))           file_writer.close()         return item   class DaomuSqlPipeline(object):       def __init__(self):     #连接mongo数据库,并把数据存储         client = MongoClient()#'mongodb://localhost:27017/'///'localhost', 27017///'mongodb://tanteng:123456@localhost:27017/'         db = client.daomu         self.books = db.books       def process_item(self, item, spider):         print 'spider_name',spider.name         temp ={'bookName':item['bookName'],                'bookTitle':item['bookTitle'],                'chapterNum':item['chapterNum'],                'chapterName':item['chapterName'],                'chapterUrl':item['chapterUrl']                }         self.books.insert(temp)           return item

接下来切换到main.py所在目录，运行python main.py启动爬虫。

没过几分钟，爬虫就结束了，咱们看一下爬取的数据和文件。

数据库数据: