python爬取小说基本信息_Python的scrapy之爬取顶点小说网的所有小说

importscrapyfrom scrapy.http importRequestfrom ..items importDingdianItemclassMydingdianSpider(scrapy.Spider):

name= 'mydingdian'allowed_domains= ['www.x23us.com/']

start_url= ['https://www.x23us.com/class/']

starturl=['.html']defstart_requests(self):#for i in range(1,11):

for i in range(5, 6):#print(i)

url_con=str(i)+'_1'

#print(url_con)

url1 = self.start_url+list(url_con)+self.starturl#print(url1)

url=''

for j inurl1:

url+=j+''

#print(url)

yieldRequest(url, self.parse)defparse(self, response):

baseurl=response.url #真正的url链接

#print(baseurl)

max_num = response.xpath('//*[@id="pagelink"]/a[14]/text()').extract_first() #获取当前页面的最大页码数

#print(max_num) #页码数

baseurl = baseurl[:-7]#print(baseurl)

for num in range(1,int(max_num)+1):#for num in range(1, 5):

#print(list("_" + str(num)))

newurl1 = list(baseurl) + list("_" + str(num)) +self.starturl#print(newurl1)

newurl=''

for j innewurl1:

newurl+=j+''

print(newurl)#此处使用dont_filter和不使用的效果不一样,使用dont_filter就能够抓取到第一个页面的内容,不用就抓不到

#scrapy会对request的URL去重(RFPDupeFilter),加上dont_filter则告诉它这个URL不参与去重。

yield Request(newurl, dont_filter=True, callback=self.get_name) #将新的页面url的内容传递给get_name函数去处理

defget_name(self,response):

item=DingdianItem()for nameinfo in response.xpath('//tr'):#print(nameinfo)

novelurl = nameinfo.xpath('td[1]/a/@href').extract_first() #小说地址

#print(novelurl)

name = nameinfo.xpath('td[1]/a[2]/text()').extract_first() #小说名字

#print(name)

newchapter=nameinfo.xpath('td[2]/a/text()').extract_first() #最新章节

#print(newchapter)

date=nameinfo.xpath('td[5]/text()').extract_first() #更新日期

#print(date)

author = nameinfo.xpath('td[3]/text()').extract_first() #小说作者

#print(author)

serialstatus = nameinfo.xpath('td[6]/text()').extract_first() #小说状态

#print(serialstatus)

serialsize = nameinfo.xpath('td[4]/text()').extract_first() #小说大小

#print(serialnumber)

#print('--==--'*10)

ifnovelurl:

item['novel_name'] =name#print(item['novel_name'])

item['author'] =author

item['novelurl'] =novelurl#print(item['novelurl'])

item['serialstatus'] =serialstatus

item['serialsize'] =serialsize

item['date']=date

item['newchapter']=newchapterprint('小说名字:', item['novel_name'])print('小说作者:', item['author'])print('小说地址:', item['novelurl'])print('小说状态:', item['serialstatus'])print('小说大小:', item['serialsize'])print('更新日期:', item['date'])print('最新章节:', item['newchapter'])print('===='*5)#yield Request(novelurl,dont_filter=True,callback=self.get_novelcontent,meta={'item':item})

yielditem'''def get_novelcontent(self,response):

#print(123124) #测试调用成功url

item=response.meta['item']

novelurl=response.url

#print(novelurl)

serialnumber = response.xpath('//tr[2]/td[2]/text()').extract_first() # 连载字数

#print(serialnumber)

category = response.xpath('//tr[1]/td[1]/a/text()').extract_first() # 小说类别

#print(category)

collect_num_total = response.xpath('//tr[2]/td[1]/text()').extract_first() # 总收藏

#print(collect_num_total)

click_num_total = response.xpath('//tr[3]/td[1]/text()').extract_first() # 总点击

novel_breif = response.xpath('//dd[2]/p[2]').extract_first() #小说简介

# item['serialnumber'] = serialnumber

# item['category'] = category

# item['collect_num_total']=collect_num_total

# item['click_num_total']=click_num_total

# item['novel_breif']=novel_breif

#

# print('小说字数:', item['serialnumber'])

# print('小说类别:', item['category'])

# print('总收藏:', item['collect_num_total'])

# print('总点击:', item['click_num_total'])

# print('小说简介:', item['novel_breif'])

# print('===='*10)

yield item

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这里是一个简单的Python-Scrapy爬取百度搜索结果并对搜索结果进行分析的例子: 首先,我们需要安装Scrapy和lxml库。在命令行中输入以下命令: ``` pip install scrapy pip install lxml ``` 然后,我们可以创建一个名为baidu_spider的新项目,并在项目中创建一个名为baidu的新爬虫。在命令行中输入以下命令: ``` scrapy startproject baidu_spider cd baidu_spider scrapy genspider baidu www.baidu.com ``` 现在,我们在baidu_spider/spiders/baidu.py文件中编写我们的代码。我们将使用Scrapy的Selector来选择我们想要的数据。代码如下: ```python import scrapy class BaiduSpider(scrapy.Spider): name = "baidu" allowed_domains = ["www.baidu.com"] start_urls = ["http://www.baidu.com/s?wd=python"] def parse(self, response): # 获取搜索结果 results = response.xpath('//div[@class="result c-container "]') for result in results: # 获取标题和链接 title = result.xpath('.//h3/a/text()').extract_first().strip() link = result.xpath('.//h3/a/@href').extract_first() # 获取摘要 abstract = result.xpath('.//div[@class="c-abstract"]//text()').extract() abstract = "".join(abstract).strip() # 打印结果 print(title) print(link) print(abstract) ``` 在这个例子中,我们首先定义了我们的爬虫的名称,允许的域名和起始URL。然后我们定义了一个parse函数来处理响应。在parse函数中,我们使用XPath选择器来选择搜索结果。我们使用extract_first()和extract()方法来提取标题、链接和摘要。最后,我们打印了结果。 现在,我们可以在baidu_spider目录中运行以下命令来运行我们的爬虫: ``` scrapy crawl baidu ``` 这将启动我们的爬虫并开始爬取百度搜索结果。在控制台中,您应该能够看到我们的爬虫正在输出搜索结果。

“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