Python爬虫实战：爬取全站小说排行榜如何爬取小说榜所有的小说？可能会踩哪

来自：Python那些事（微信号：PythonSomething）

喜欢看小说的骚年们都知道，总是有一些小说让人耳目一新，不管是仙侠还是玄幻，前面更了几十章就成功圈了一大波粉丝，成功攀上飙升榜，热门榜等各种榜，扔几个栗子出来：

新笔趣阁是广大书友最值得收藏的网络小说阅读网,网站收录了当前......我就不打广告了（其他满足下文条件的网站也行，之前已经有做过简单爬取章节的先例了，但效果不太理想，有很多不需要的成分被留下了，来链接：http://www.bxquge.com/。我们本文就爬取这个网站的上千本小说。重点在和大家一起分享一些爬虫的思路和一些很常遇到的坑。

本文的行文脉络：

1、先构造一个单本的小爬虫练练手；

2、简要分享一下安装MongoBD数据库时的几个易错问题；

3、运用Scrapy框架爬取新笔趣阁全站排行榜。

全部代码可以在公众号后台回复“0016”获取。

一、爬取单本小说

爬取该网站相对来讲还是很容易的，打开编辑器（推荐使用PyCharm，功能强大），首先引入模块urllib.request(Python2.x的引入urllib和urllib2即可，待会我把2.x的也写出来给大家看看)，给出网站URL，写下请求，再添加请求头（虽然这个网站不封号，但作者建议还是要养成每次都写请求头的习惯，万一那天碰到像豆瓣似的网站，一不留神就把你封了）话不多说，直接上代码：

#coding:utf-8

import urllib.request

url = "http://www.bxquge.com/3_3619/10826.html"

headers = {"User-Agent":

"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36

(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36 Edge/15.15063"}

request = urllib.request.Request(url,headers=headers)

然后再将请求发送出去，定义变量response，用read（）方法观察，注意将符号解码成utf-8的形式，省的乱码：

打印一下看结果：

看到这么一大条就对喽，对比一下网页源码，发现是一致的。

这步观察很重要，因为这就说明该网站没有使用AJAX异步加载，否则就要开始抓包的工作了，这个我们留着分析动态网站时候再说。建议大家在没有更好的方法时使用。之前记得确实有直接判断的方法，然而一不小心忘记了，有知道的读者还请发给我哦。

我们现在得到了网站的response，接下来就是对我们想要获取的数据进行解析、提取，但等等，考虑到我们要爬取大量小说，不搞一个数据库存储真是太失败了，作者推荐MongoDB数据库，属于NOSQL类型数据库，以文档存储为主，这里用来爬小说真是太适合不过了。但安装起来需要一定的程序，想要试着做做的骚年可以参考一下下载和安装教程，参考链接：http://blog.csdn.net/u011262253/article/details/74858211，在安装好后为方便启动，可以添加环境变量，但这里有个坑，你要先打开mongod(注意是mongodb，别一上来就打开mongo)，然后需要准确添加dbpath路径，不然打开很容易就会失败，上图上图：

失败状态

成功状态

添加路径后成功连接，出现waiting for connections on port 27017，则表示数据库连接成功，而后就不要关掉这个终端了，只有保持数据库是连接的，才可运行MongoDB数据库（不然报错你都不知道自己是怎么死的）

好了，连接好数据库后，我们将数据库与编辑器进行交互链接，位置很隐秘，在File>>Settings>>Plugins下添加组件Mongo Plugin，没有就下载一个：

盗个图

我们在编辑器内编写代码，引入Python专门用来与MongoDB交互的模块pymongo，然后在最上面链接MongoDB数据库的端口，默认是27017，我们先创建一个叫做reading的数据库，然后在reading内新建一个叫做sheet_words的数据表，代码如下：

#coding:utf-8

import pymongo

import urllib.request

client = pymongo.MongoClient("localhost",27017)

reading = client["reading"]

sheet_words = reading["sheet_words"]

我们先找一个叫做《修罗武神》的小说来练练手，个人来讲，我很讨厌看小说时来回的翻页，有时候还跳出广告，这时候我还得返回去重新翻页，作为一名懒得不行的懒人，我想到要是把整部小说放进一个文档里再看不就好了么，但要是一章一章的复制粘贴我想还是算了吧，这时候你就知道爬虫是有多么便捷了。好，现在我们要做的是把《修罗武神》这部小说完整的爬取下来，并在数据库中备份。我们回到刚才停留的地方，在得到response后，我们应该选用一种方法来解析网页，一般的方法有re,xpath,selector(css),建议新手使用xpath而不是re,一是因为re用不好很容易导致错误，“当你决定用正则表达式解决问题时，你有了两个问题。”，相比较xpath才是步骤明确，十分稳妥；二是在Firefox，Chrome等浏览器中可以直接复制xpath路径，大大的减少了我们的工作量，上图：

如果你决定使用xpath之后，我们需要从lxml中引入etree模块,然后就可以用etree中的HTML()方法来解析网页了，从网页>检察元素（F12）中复制下来我们所需数据的路径，我选择的是小说每章的标题和内容，上图，上图：

路径//div[@]/h1/text()

路径/html/body/div[4]/div[2]/div[2]/div[1]/div[2]/text()

注意注意，又来一个坑，当你复制xpath时得到的是这个东东：

//div[@]/h1

和这个东东;

/html/body/div[4]/div[2]/div[2]/div[1]/div[2]

但你需要的是这个路径里的文本text，故我们需要另外添加具体文本：/text()，然后就像上面那样啦。上代码，查数据：

url = "http://www.17k.com/list/493239.html"

response = urllib.request.urlopen(url)

html = response.read().decode("utf-8")

tree = etree.HTML(html)

dom = tree.xpath("//a[@target="_blank"][@title]/@href")

for i in dom:

data = http://www.gunmi.cn/v/{

"words":"http://www.17k.com" + i

}

sheet_words.insert_one(data)

# $lt/$lte/$gt/$gte/$ne，依次等价于</<=/>/>=/!=。（l表示less g表示greater e表示equal n表示not ）

try:

os.mkdir("修罗武神小说")

except FileExistsError:

pass

os.chdir("修罗武神小说")

for item in sheet_words.find():

filename = "修罗武神"

with open( filename,"a+") as f:

contents = urllib.request.urlopen(item["words"])

responses = contents.read().decode("utf-8")

trees = etree.HTML(responses)

title = trees.xpath("//div[@]/h1/text()")

word = trees.xpath("/html/body/div[4]/div[2]/div[2]/div[1]/div[2]/text()")

a = "".join(title)

b = "".join(word)

f.write(a)

f.write(b)

#print("".join(title))

小说有点大，一共是三千五百章，等个大约4-7分钟吧，打开文件夹《修罗武神小说》，就可以看到我们下载好的无需翻页的一整部小说，数据库内页备份好了每章的链接，它自动从零开始排的，就是说你要看第30章就得打开序号为29的链接，这个调一下下载时的顺序就好了，作者很懒，想要尝试下的读者可以自行更改。

小说文本

数据库连接

看看，感觉还不错吧，好的小例子讲完了，接下来我们准备进入正题。

我们要像上面的例子那样爬取整个网站，当然这里就不再建议使用普通的编辑器来来执行了，聪明的读者已经发现，一部小说爬了4分钟，那么上千本不说，单单是一组排行榜里的100本就够爬好一会了，这就显示出Scripy框架的作用，用专门的Scripy框架写工程类爬虫绝对快速省力，是居家写虫的必备良药哇。

二、爬取小说榜所有小说

首先安装Scrapy的所有组件，建议除pywin32以外都用pip安装,不会的话度娘吧，很简单的，pywin32需要下载与你所用Python版本相同的安装文件。

来连接：http://sourceforge.net/projects/pywin32/

Scrapy插件安装成功

然后还是老规矩，不想每次终端运行都一点一点找路径的话，就将根目录添加到环境变量，然后打开终端，我们测试一下是否安装成功：

Scrapy安装成功

好，安装完毕后，打开终端，新建一个Scrapy工程，这里你可以根据索引，选择使用Scrapy的各种功能，这里不一一详解了，D盘内已经出现了我们建立好的Scrapy工程文件夹：

打开文件夹，我们会看到Scrapy框架已经自动在reading文件夹中放置了我们所需的一切原材料：

打开内部reading文件夹，就可以在spiders文件夹中添加爬虫py代码文件了：

我们这里定向爬小说排行榜，除了我们写的spider文件，还要在items.py中定义我们要爬取的内容集，有点像词典一样，名字可以随便取，但已有的继承类scrapy.Item可不能改，这是Scrapy内部自定义的类，改了它可找不到，spider就用我们上面抓取单本再加一个for循环就OK了，十分简单，一言不合就上图：

# -*- coding: utf-8 -*-

import scrapy

import urllib2

from lxml import etree

import os

from reading.items import ReadingSpiderItem

import sys

reload(sys)

sys.setdefaultencoding("utf-8")

class ReadingspiderSpider(scrapy.Spider):

name = "bigreadingSpider"#爬虫名

allowed_domains = ["http://www.xinbiquge.com/"]#总域

start_urls = ["http://www.bxquge.com/paihangbang/"]#起始页

def parse(self, response):

sel = scrapy.selector.Selector(response)#解析域

for i in range(2,10):

path = "//*[@id="main"]/table[" +str(i)+ "]/tbody/tr[1]/td[2]/span"#排行榜路径

sites = sel.xpath(path)

items = []

for site in sites:#按9个排行榜爬取

item = ReadingSpiderItem()

path_list_name = "//*[@id="main"]/table[" +str(i)+ "]/tbody/tr[1]/td[2]/span/text()"

item["list_name"] = site.xpath(path_list_name).extract()#排行榜名称

try:

os.mkdir(item["list_name"][0])

except IOError:

pass

os.chdir(item["list_name"][0])

for li in range(1,21):

title = "//*[@id="tb" + str(i-1) + "-1"]/ul/li["+str(li)+"]/a/text()"

item["name"] = site.xpath(title).extract()#书名

url = "http://www.bxquge.com/"

path_link = "//*[@id="tb"+ str(i-1) +"-1"]/ul/li[" + str(li) + "]/a/@href"#书目链接

item["link"] = site.xpath(path_link).extract()

full_url = url + item["link"][0]

headers = {"User-Agent":

"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36

(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36 Edge/15.15063"}

#request = urllib2.Request("".join(item["link"]),headers=headers)

request = urllib2.Request(full_url,headers=headers)

try:

os.mkdir(item["name"][0])

except IOError:

pass

os.chdir(item["name"][0])

response = urllib2.urlopen(request).read().decode("utf-8")

tree = etree.HTML(response)

for j in range(1,11):

path_title = "//*[@id="list"]/dl/dd["+ str(j) +"]/a/text()"

item["title"] = tree.xpath(path_title)#章节名

path_words_page = "//*[@id="list"]/dl/dd["+ str(j) +"]/a/@href"

word_page = tree.xpath(path_words_page)

try:

url_words = full_url + word_page[0]

request_words = urllib2.Request(url_words,headers=headers)

response_words = urllib2.urlopen(request_words).read().decode("utf-8")

tree_words = etree.HTML(response_words)

path_words = "//*[@id="content"]/text()"

item["words"] = tree_words.xpath(path_words)#前20章内容

except urllib2.HTTPError:

pass

items.append(item)

try:

filename = r"".join(item["title"][0]) + ".json"

with open(filename,"a+") as f:

a = "".join(item["title"])

b = "".join(item["words"])

f.write(a)

f.write(b)

except IOError:

pass

path_now = os.getcwd()

path_last = os.path.dirname(path_now)

os.chdir(path_last)

path_now = os.getcwd()

path_last = os.path.dirname(path_now)

os.chdir(path_last)

爬取的小说排行榜

每个排行榜上大约20本小说

每部小说的爬取情况（用的是.json格式）

小说显示内容

至此，我们所需的数据就都爬取完了，它们都按照相应的文件夹目录放置好在相应位置，适合条理性的观看。全部代码可以在公众号后台回复“0016”获取。对于本文内容若有更好的提议、手法，望各位读者大大们留言。

（完）

●本文编号319，以后想阅读这篇文章直接输入319即可

●输入m获取到文章目录

推荐↓↓↓

大数据与人工智能

更多推荐《18个技术类公众微信》

涵盖：程序人生、算法与数据结构、黑客技术与网络安全、大数据技术、前端开发、Java、Python、Web开发、安卓开发、iOS开发、C/C++、.NET、Linux、数据库、运维等。