Scrapy系列四：多页数据爬取

本文基于系列二代码的基础上修改，

思路：在解析函数qidian_parse中，提取完本页数据并提交给引擎后，提取到下一页的URL地址，使用这个URL地址生成一个新的Request对象，再提交给引擎，引擎重新执行解析函数，如此递进，直到最后一页

主要步骤如下

1.定义一个保存当前页数的变量

 

2.使用递归实现自动翻页

 

完整代码

from scrapy import Request
from scrapy.spiders import Spider

class HotSalesSpider(Spider):
    # 爬虫名称
    name = "hot"

    #当前页数
    current_page = 1

    #设置用户代理为浏览器类型
    qidian_headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36"}

    def start_requests(self):
        url = "https://www.qidian.com/rank/hotsales?style=1&page=1"
        yield Request(url, headers=self.qidian_headers, callback=self.qidian_parse)

    #数据解析，此时response对象已经有网页的html数据
    def qidian_parse(self, response):
        #使用xpath定位到小说内容的div元素
        list_selector =  response.xpath("//div[@class='book-mid-info']")
        #读取每部小说的元素
        for one_selector in list_selector:
            #获取小说名称
            name = one_selector.xpath("h4/a/text()").extract()[0]
            #获取作者,第一个p标签的第一个a标签的内容
            author = one_selector.xpath("p[1]/a[1]/text()").extract()[0]
            #获取类型
            type = one_selector.xpath("p[1]/a[2]/text()").extract()[0]
            #获取形式
            form = one_selector.xpath("p[1]/span/text()").extract()[0]
            #把爬取的数据保存到字典
            hot_dict = {
                "name" : name,
                "author" : author,
                "type" : type,
                "form" : form
            }
            yield hot_dict

        #多页数据爬取，原理：执行完一次爬取，当前页数加1，然后通过回调函数重新执行qidian_parse方法
        self.current_page+=1
        if(self.current_page <= 25):
            next_url = "https://www.qidian.com/rank/hotsales?style=1&page=%d"%(self.current_page)
            yield Request(next_url, headers=self.qidian_headers, callback=self.qidian_parse)