h1 h2 章节标题 css html,第一个爬虫程序

最近热播的电视剧 《全职高手》是由小说改编而成的，爬取小说当做练习吧~~本文练习爬取第一章的章节标题和章节内容，并且保存到本地文件中。

创建一个 scrapy 项目

$ scrapy init first_scrapy

创建完成后目录结构跟下面?应该是一样的，在 spiders 目录下新建 novel.py 文件，待会咱就在这个文件中写爬虫程序。

写第一个爬虫

爬取网页源代码

import scrapy

class NovelSpider(scrapy.Spider):

# 启动爬虫时会用到这个名称

name = "novel"

# 爬取哪个网页的源码，这里是网址

start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]

def parse(self, response):

# 拿到 html 网页源代码

html_str = response.css('html').extract_first()

# 保存为本地文件 source.html

with open('source.html', 'w') as f:

f.write(html_str)

self.log('保存文件成功')

name 爬虫的名字，启动爬虫时需要用到它；

start_urls 要爬取哪个网页的源代码，填写网页网址；

parse Scrapy 帮你请求网址，拿到源代码后塞给 response 参数，接下来对 response 操作提取需要的数据。

运行爬虫

$ scrapy crawl novel <= 这里的 novel 就是上面代码中的 name 值

执行完成后在根目录下创建了 source.html 文件，打开可以看到网页的源代码已经被我们爬下来了。

提取数据

Scrapy 提供调试环境和 css 提取器，帮助我们快速准确的从 html 源代码中拿到我们需要的数据。

调试环境

Scrapy 提供了调试环境，方便我们测试提取的数据是否正确。

命令行中输入?脚本，其中 scrapy shell 是固定写法，后面跟要爬取网页的网址。

$ scrapy shell https://www.biquge5200.cc/0_857/651708.html

输入完成后会 blala... 打印一堆东东，我们只要关注最后一行 >>>。

2019-08-01 09:22:29 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: scrapybot)

2019-08-01 09:22:29 [scrapy.utils.log] INFO: Versions: lxml 4.2.5.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.7.0 (default, Sep 18 2018, 18:47:22) - [Clang 9.1.0 (clang-902.0.39.2)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0i 14 Aug 2018), cryptography 2.3.1, Platform Darwin-17.7.0-x86_64-i386-64bit

2019-08-01 09:22:29 [scrapy.crawler] INFO: Overridden settings: {'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'LOGSTATS_INTERVAL': 0}

2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled extensions:

['scrapy.extensions.corestats.CoreStats',

'scrapy.extensions.telnet.TelnetConsole',

'scrapy.extensions.memusage.MemoryUsage']

2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled downloader middlewares:

['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',

'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',

'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',

'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',

'scrapy.downloadermiddlewares.retry.RetryMiddleware',

'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',

'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',

'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',

'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',

'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',

'scrapy.downloadermiddlewares.stats.DownloaderStats']

2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled spider middlewares:

['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',

'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',

'scrapy.spidermiddlewares.referer.RefererMiddleware',

'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',

'scrapy.spidermiddlewares.depth.DepthMiddleware']

2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled item pipelines:

[]

2019-08-01 09:22:29 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023

2019-08-01 09:22:29 [scrapy.core.engine] INFO: Spider opened

2019-08-01 09:22:29 [scrapy.core.engine] DEBUG: Crawled (200) (referer: None)

[s] Available Scrapy objects:

[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc)

[s] crawler

[s] item {}

[s] request

[s] response <200 https://www.biquge5200.cc/0_857/651708.html>

[s] settings

[s] spider

[s] Useful shortcuts:

[s] fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)

[s] fetch(req) Fetch a scrapy.Request and update local objects

[s] shelp() Shell help (print this help)

[s] view(response) View response in a browser

>>>

css 提取器

比如我们想提取 https://www.biquge5200.cc/0_857/651708.html 的 title 标签中的数据，在最后一行 >>> 后面输入 response.css('title')，然后回车。

>>> response.css('title')

[]

你会发现，提取到的是个 Selector 数组，并不是我们想要的数据。Scrapy 给我们准备了一些函数来进一步提取，extract() 函数将 Selector 转换为我们熟悉的 html 标签

>>> response.css('title').extract()

['

第一章 被驱逐的高手_全职高手_笔趣阁']

?拿到的 html 标签仍然是一个数组，在后面加上 [0] 很方便拿到数组中第一个元素

>>> response.css('title').extract()[0]

'

第一章 被驱逐的高手_全职高手_笔趣阁'

Scrapy 提供了另一个函数 extract_first()，同样可以拿到数组中第一个元素，写法上更加简单。至此，成功提取到 title 标签，但是多了 title 标签，继续修改。

>>> response.css('title').extract_first()

'

第一章 被驱逐的高手_全职高手_笔趣阁'

在 title 后面加上 ::text 即可提取 html 标签包裹的内容了。到这里已经成功提取到我们需要的数据了。

>>> response.css('title::text').extract_first()

'第一章 被驱逐的高手_全职高手_笔趣阁'

::text 可以提取 html 标签包裹的内容，如果要提取 html 标签自身的属性，比如上面? a 标签的 href 属性值，怎么办呢？

链接

::attr(属性名) 可以提取 html 标签自身的属性。

>>> response.css('a::attr(href)').extract_first()

提取章节标题和章节内容

有了前面 css 提取器的学习，拿到章节标题和章节内容相信不是什么困难的事了~~

import scrapy

class NovelSpider(scrapy.Spider):

name = "novel"

start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]

def parse(self, response):

# 拿到章节标题

title = response.css('div.bookname h1::text').extract_first()

# 拿到章节内容

content = '\n\n'.join(response.css('div#content p::text').extract())

print("title ", title)

print("content ", content)

运行爬虫

$ scrapy crawl novel

可以看到分别打印了章节标题和标题内容。

保存为本地文件

在第一步 爬取网页 中已经用过一次保存为本地文件的操作了，当时是把网页源代码保存为 source.html。

现在把章节标题和章节内容保存为 novel.txt 文件。

import scrapy

class NovelSpider(scrapy.Spider):

name = "novel"

start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]

def parse(self, response):

title = response.css('div.bookname h1::text').extract_first()

content = '\n\n'.join(response.css('div#content p::text').extract())

# 保存为本地文件 novel.txt

with open('novel.txt', 'w') as f:

f.write(title)

f.write('\n')

f.write(content)

self.log('保存文件成功')

运行爬虫，可以看到根目录下输出了 novel.txt 文件，成功地将章节标题和章节内容保存到文件中。