记一个简单的scrapy爬虫程序

import scrapy
from urllib import request

class bookSpider(scrapy.Spider):
name = "bookSpider"
start_urls = ['https://read.qidian.com/chapter/sMwmRYRKF1KLTMDvzUJZaQ2/eGngSvaVqnlOBDFlr9quQA2']

def parse(self, response):
    divs = response.xpath('//*[@class="read-content j_readContent"]')
    zhangjie = ""
    #将每一个p标签的文字循环输出
    for p in divs.xpath('.//p/text()'):
        zhangjie = zhangjie + p.extract().strip()
    #txt命名
    chaptername = response.xpath('//*[@class="j_chapterName"]/text()').extract()[0]
    fileName = chaptername +".txt"
    with open(fileName, "a") as f:
        f.write(zhangjie)
        #f.write(next_url)
        f.write('\n')
        f.close()
    #自动爬下一页
    next_url = response.xpath('//*[@id="j_chapterNext"]/@href').extract()[0]
    if next_url is not None:
        next_url = request.urljoin(response.url,next_url)
        yield scrapy.Request(next_url, callback=self.parse)

补充:由于在最后一章会找不到next_url的xpath,所以在最后一章爬下来之后,会出现

	next_url = response.xpath('//*[@id="j_chapterNext"]/@href').extract()[0]
	IndexError: list index out of range

为了避免xpath为空的错误,将上方的代码改为

chaptername = response.xpath('//*[@class="j_chapterName"]/text()').extract_first()
next_url = response.xpath('//*[@id="j_chapterNext"]/@href').extract_first()

将extract()[0]改为extract_first()可以避免报错

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值