入门Python爬虫：使用Scrapy框架爬取小说教程及代码实例

---

前言

相信学Python爬虫的小伙伴听说过Scrapy框架，也用过Scrapy框架。
今天我们边学习Scrapy框架边爬取整部小说，让大家在不知不觉的学习过程中使用Scrapy框架完成整部小说的爬取~

---

一、Scrapy框架简单介绍

Scrapy框架是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，是提取结构性数据而编写的应用框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，我们只需要少量的代码就能够快速抓取数据。

其框架如下图所示：

Scrapy Engine是整个框架的核心，而涉及到我们编写代码的模块一般只有Item Pipeline模块和Spiders模块。

二、创建Scrapy项目

首先我们通过以下代码来创建Scrapy项目，执行代码如下图所示：

Scrapy startproject Fiction

运行结果如下图所示：

通过上图可知，我们在C盘创建了一个新的Scrapy项目，项目名为Fiction，而且还提示我们可以通过以下命令创建第一个Spider爬虫，命令如下所示：

cd Fiction          #进入目录
scrapy genspider example example.com    #创建spider爬虫

其中example是我们爬虫名，example.com是爬虫爬取的范围，也就是网站的域名。

Fiction文件夹内容如下图所示：

三、创建Spider爬虫

在上面的步骤我们成功创建了一个Scrapy项目，而且知道如何创建Spider爬虫，接下来我们创建名为fiction的Spider爬虫，其域名为www.17k.com，代码如下所示：

scrapy genspider fiction www.17k.com

运行后，spiders文件夹中多了我们刚才创建fiction.py，这个就是我们创建的Spider爬虫。

如下图所示：

看到这么多py文件是不是慌了，其实不用慌，一般情况我们主要在刚创建的spider爬虫文件、items.py和pipelines.py进行编写代码，其中：

• fiction.py：主要编写代码定义爬取的逻辑，解析响应并生成提取结果和新的请求；
• items.py：主要先定义好爬取数据的字段，避免拼写错误或者定义字段错误，当然我们可以不先定义好字段，而在fiction.py中直接定义；
• pipelines.py：主要是编写数据清洗、验证和存储数据的代码，当我们把数据存储在csv、xml、pickle、marshal、json等文件时，就不需要在pipelines.py中编写代码了，只需要执行以下代码即可：

scrapy crawl fiction 文件名.后缀

当数据需要保存在MongoDB数据库时，则编写以下代码即可：

from pymongo import  MongoClient
client=MongoClient()
collection=client["Fiction"]["fiction"]
​class Test1Pipeline:
    def process_item(self, item, spider):
        collection.insert(item)
        return item

四、Spider爬虫提取数据

在提取数据前，首先我们进入要爬取小说网站并打开开发者工具，如下图所示：


我们通过上图可以发现，<dl class="Volume">存放着我们所有小说章节名，点击该章节就可以跳转到对应的章节页面，所以可以使用Xpath来通过这个div作为我们的xpath爬取范围，通过for循环来遍历获取每个章节的名和URL链接。

跳转章节内容页面后，打开开发者工具，如下图所示：

通过上图可以发现，小说内容存储在<div class="readAreaBox">里面，我们可以通过for循环来遍历该dl中的<div class="p">获取到章节的全部内容，当然也是通过使用Xpath来获取。

五、items.py代码定义字段

细心的小伙伴就发现了，我们所需要提前的字段有章节名、章节URL链接和章节内容，其中章节名和章节内容是需要进行数据保存的，所以可以先在items.py文件中定义好字段名，具体代码如下所示