运用scrapy爬虫,爬取17k小说网的案例-方法二

我们准备爬取此页面的小说，此页面一共有125章

我们点击进去第一章和第一百二十五章发现了一个规律

我们看到此链接的  http://www.17k.com/chapter/271047/6336386.html ->http://www.17k.com/chapter/271047/6336510.html 

6336386依次递增到6336510 我们根据此灵感 得到下面的spiders核心的代码

# -*- coding: utf-8 -*-
import scrapy
from k17.items import K17Item
import json
class A17kSpider(scrapy.Spider):
    name = '17k'   

    allowed_domains = ['17k.com']
    start_urls = ['http://www.17k.com/chapter/271047/6336386.html']
    def parse(self, response):
        for i in range(6336386, 6336510 + 1):
            new_url="http://www.17k.com/chapter/271047/"+str(i)+".html"
            #print(new_url)
            yield scrapy.Request(new_url, callback=self.next_parse) ##传入url

    def next_parse(self,response):
        for bb in response.xpath('//div[@class="readArea"]/div[@class="readAreaBox content"]'):
                item=K17Item()
                title=bb.xpath("h1/text()").extract()###得到每一章的标题
                new_title=(''.join(title).replace('\n','')).strip()
                item['title']=new_title
                #print(item['title'])
                dec= bb.xpath("div[@class='p']/text()").extract()###得到每一章的详细内容
               # print(type(dec))
                dec_new=((''.join(dec).replace('\n','')).replace('\u3000','')).strip() ###去除内容中的\n 和\u3000和空格的问题
                #print(type(dec_new))
                item['describe'] = dec_new

                yield item

我们在pipelines.py最后得到最终结果

import json
class K17Pipeline(object):
    def process_item(self, item, spider):
        return item
    #初始化时指定要操作的文件
    def __init__(self):
        self.file = open('item.json', 'w', encoding='utf-8')
    # 存储数据，将 Item 实例作为 json 数据写入到文件中
    def process_item(self, item, spider):
        lines = json.dumps(dict(item), ensure_ascii=False) + '\n'
        self.file.write(lines)
        return item
    # 处理结束后关闭 文件 IO 流
    def close_spider(self, spider):
        self.file.close()

扫描二维码关注公众号，回复： 1756333 查看本文章