咱们今天的主题是关于爬取盗墓笔记，主要技术要点是scrapy的使用，scrapy框架中使用mongodb数据库，文件的保存。

　这次爬取的网址是 。之前也经常在上面在线看盗墓笔记。

使用firebug审查元素，查看如何解析html。

这次咱们要把书的名称，章节，章节名称，章节链接抽取出来，存储到数据库中，同时将文章的内容提取出来存成txt文件。

看一下html结构就会发现这个页面结构非常分明，标题的html节点是 div class = ''mulu-title"，章节的节点是 div class= "box" ，每一章的节点是 div class= "box"中的<li>标签。

然后咱们将第一章的链接 打开，上面就是文章的内容。

可以看到文章的内容是使用 div class ="content-body"中的<p>标签包裹起来的，总体来说提取难度挺小。

打开cmd，输入scrapy startproject daomubiji,这时候会生成一个工程，然后我把整个工程复制到pycharm中

工程结构

DaomubijiSpider.py ------Spider 蜘蛛 items.py -----------------对要爬取数据的模型定义 pipelines.py-------------处理要存储的数据(存到数据库和写到文件) settings.py----------------对Scrapy的配置 main.py -------------------启动爬虫 test.py -------------------- 测试程序(不参与整体运行)

下面将解析和存储的代码贴一下

DaomubijiSpider.py (解析html)#coding:utf-8import scrapyfrom scrapy.selector import Selectorfrom daomubiji.items import DaomubijiItem  class daomuSpider(scrapy.Spider):    name = "daomu"    allowed_domains = ["seputu.com"]    start_urls = [";]    ''.split()     def parse(self, response):        selector = Selector(response)        mulus= selector.xpath("//div[@class='mulu']/div[@class='mulu-title']/center/h2/text()").extract()#将目录提取出来        boxs = selector.xpath("//div[@class='mulu']/div[@class='box']")#.extract()        for i in range(len(mulus)):            mulu = mulus[i]#提取出来一个目录            box = boxs[i]#提取出来一个box            texts = box.xpath(".//ul/li/a/text()").extract()#将文本提取出来            urls  = box.xpath(".//ul/li/a/@href").extract()#将链接提取出来            for j in range(len(urls)):                item = DaomubijiItem()                item['bookName'] = mulu                try:                    item['bookTitle'] = texts[j].split(' ')[0]                    item['chapterNum'] = texts[j].split(' ')[1]                    item['chapterName'] = texts[j].split(' ')[2]                    item['chapterUrl'] = urls[j]                    request = scrapy.Request(urls[j],callback=self.parseBody)                    request.meta['item'] = item                    yield request                  except Exception,e:                    print 'excepiton',e                    continue       def parseBody(self,response):        '''        解析小说章节中的内容        :param response:        :return:        '''        item = response.meta['item']        selector = Selector(response)         item['chapterContent'] ='\r\n'.join(selector.xpath("//div[@class='content-body']/p/text()").extract())        yield ite

  pipelines.py:（处理要存储的数据） # -*- coding: utf-8 -*- # Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See:  osfrom scrapy.pipelines.files import FilesPipelinefrom daomubiji import settingsfrom pymongo import MongoClient class DaomubijiPipeline(object):    def process_item(self, item, spider):#将小说进行存储        dir_path = '%s/%s/%s'%(settings.FILE_STORE,spider.name,item['bookName']+'_'+item['bookTitle'])#存储路径        print 'dir_path',dir_path        if not os.path.exists(dir_path):            os.makedirs(dir_path)        file_path = '%s/%s'%(dir_path,item['chapterNum']+'_'+item['chapterName']+'.txt')        with open(file_path,'w') as file_writer:            file_writer.write(item['chapterContent'].encode('utf-8'))            file_writer.write('\r\n'.encode('utf-8'))         file_writer.close()        return item class DaomuSqlPipeline(object):     def __init__(self):    #连接mongo数据库,并把数据存储        client = MongoClient()#'mongodb://localhost:27017/'///'localhost', 27017///'mongodb://tanteng:123456@localhost:27017/'        db = client.daomu        self.books = db.books     def process_item(self, item, spider):        print 'spider_name',spider.name        temp ={'bookName':item['bookName'],               'bookTitle':item['bookTitle'],               'chapterNum':item['chapterNum'],               'chapterName':item['chapterName'],               'chapterUrl':item['chapterUrl']               }        self.books.insert(temp)         return item

接下来切换到main.py所在目录，运行python main.py启动爬虫。

没过几分钟，爬虫就结束了，咱们看一下爬取的数据和文件。

数据库数据: