抓取网页生成电子书(《修真小主播》使用Scrapy抓取电子书爬虫思路怎么抓取数据 )

　　抓取网页生成电子书(《修真小主播》使用Scrapy抓取电子书爬虫思路怎么抓取数据

)

　　使用 Scrapy 抓取电子书

　　爬行动物的想法

　　如何抓取数据，首先我们需要看看从哪里获取数据，打开“小耕主播”的页面，如下：

　　

　　有一个目录选项卡，单击此选项卡可以查看目录。使用浏览器的元素查看工具，我们可以找到每章的目录和相关信息。根据这些信息，我们可以爬取到特定页面：

　　

　　获取章节地址

　　现在我们打开 xzxzb.py 文件，也就是我们刚刚创建的爬虫：

　　# -*- coding: utf-8 -*-

import scrapy

'''

更多Python学习资料以及源码教程资料，可以在群1136201545免费获取

'''

class XzxzbSpider(scrapy.Spider):

name = 'xzxzb'

allowed_domains = ['qidian.com']

start_urls = ['http://qidian.com/']

def parse(self, response):

pass

　　start_urls 是目录地址，爬虫会自动爬取这个地址，然后在后面的解析中处理结果。现在让我们编写处理目录数据的代码，首先爬取小说首页获取目录列表：

　　 def parse(self, response):

pages = response.xpath('//div[@id="j-catalogWrap"]//ul[@class="cf"]/li')

for page in pages:

url = page.xpath('./child::a/attribute::href').extract()

print url

pass

　　在网页中获取 DOM 数据有两种方式，一种是使用 CSS 选择器，另一种是使用 XML 的 xPath 查询。

　　这里我们使用xPath，相关知识请自行学习，看上面代码，首先我们通过ID获取目录框，获取类cf获取目录列表：

　　pages = response.xpath('//div[@id="j-catalogWrap"]//ul[@class="cf"]/li')

　　接下来遍历子节点，查询li标签中a子节点的href属性，最后打印出来：

　　for page in pages:

url = page.xpath('./child::a/attribute::href').extract()

print url

　　这样，可以说爬取章节路径的小爬虫已经写好了。使用以下命令运行xzxzb爬虫查看结果：

　　scrapy crawl xzxzb

　　这时候我们的程序可能会出现如下错误：

　　…

ImportError: No module named win32api

…

　　只需运行以下语句：

　　pip install pypiwin32

　　屏幕输出如下：

　　> ...

> [u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/wrrduN6auIlOBDFlr9quQA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/Jh-J5usgyW62uJcMpdsVgA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/5YXHdBvg1ImaGfXRMrUjdw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/fw5EBeKat-76ItTi_ILQ7A2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/KsFh5VutI6PwrjbX3WA1AA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/-mpKJ01gPp1p4rPq4Fd4KQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/MlZSeYOQxSPM5j8_3RRvhw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/5TXZqGvLi-3M5j8_3RRvhw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/sysD-JPiugv4p8iEw--PPw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/xGckZ01j64-aGfXRMrUjdw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/72lHOJcgmedOBDFlr9quQA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/cZkHZEYnPl22uJcMpdsVgA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/vkNh45O3JsRMs5iq0oQwLQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/ge4m8RjJyPH6ItTi_ILQ7A2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/Y33PuxrKT4dp4rPq4Fd4KQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/MDQznkrkiyXwrjbX3WA1AA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/A2r-YTzWCYj6ItTi_ILQ7A2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/Ng9CuONRKei2uJcMpdsVgA2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/Q_AxWAge14pMs5iq0oQwLQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/ZJshvAu8TVVp4rPq4Fd4KQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/hYD2P4c5UB2aGfXRMrUjdw2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/muxiWf_jpqTgn4SMoDUcDQ2']

[u'//read.qidian.com/chapter/MuRzJqCY6MyoLoerY3WDhg2/OQQ5jbADJjVp4rPq4Fd4KQ2']

> ...

　　爬章节路径的小爬虫写了，但是我们的目的不仅如此，我们会使用这些地址来爬取内容：

　　章节页面分析

　　接下来我们分析章节页面，我们要从中获取标题和内容。

　　如果说用于章节信息爬取的parser方法，那么我们可以写一个爬取每个章节内容的方法，比如：parser_chapter，先看章节页面的具体情况：

　　

　　可以看到，章节的全部内容在类名main-text-wrap的div标签中，标题是类名j_chapterName的h3标签，具体内容是类名的div标签读取内容 j_readContent。

　　尝试打印出来：

　　# -*- coding: utf-8 -*-

import scrapy

class XzxzbSpider(scrapy.Spider):

name = 'xzxzb'

allowed_domains = ['qidian.com']

start_urls = ['https://book.qidian.com/info/1010780117/']

def parse(self, response):

pages = response.xpath('//div[@id="j-catalogWrap"]//ul[@class="cf"]/li')

for page in pages:

url = page.xpath('./child::a/attribute::href').extract_first()

# yield scrapy.Request('https:' + url, callback=self.parse_chapter)

yield response.follow(url, callback=self.parse_chapter)

pass

def parse_chapter(self, response):

title = response.xpath('//div[@class="main-text-wrap"]//h3[@class="j_chapterName"]/text()').extract_first().strip()

content = response.xpath('//div[@class="main-text-wrap"]//div[@class="read-content j_readContent"]').extract_first().strip()

print title

# print content

pass

　　上一步我们得到了一个章节地址，这是从输出内容的一个相对路径，所以我们使用了yield response.follow(url, callback=self.parse_chapter)，第二个参数是一个回调函数来处理章节页面，爬取到章节页面后，我们解析页面并将标题保存到文件中。

　　next_page = response.urljoin(url)

yield scrapy.Request(next_page, callback=self.parse_chapter)

　　与使用 response.follow 不同，scrapy.Request 需要通过相对路径来构造绝对路径。Response.follow 可以直接使用相对路径，所以不需要调用 urljoin 方法。

　　注意response.follow直接返回一个Request实例，可以直接通过yield返回。

　　获取数据后，将其存储。由于我们想要一个 html 页面，我们可以按标题存储它。代码如下：

　　 def parse_chapter(self, response):

title = response.xpath('//div[@class="main-text-wrap"]//h3[@class="j_chapterName"]/text()').extract_first().strip()

content = response.xpath('//div[@class="main-text-wrap"]//div[@class="read-content j_readContent"]').extract_first().strip()

# print title

# print content

filename = './down/%s.html' % (title)

with open(filename, 'wb') as f:

f.write(content.encode('utf-8'))

pass

　　到目前为止，我们已经成功捕获到我们的数据，但是它不能直接使用，需要进行排序和优化。

　　数据管理

　　首先，我们爬取的章节页面的排序不是很好，手动排列太费时间精力；另外，章节内容收录很多多余的东西，阅读体验不好，需要优化内容的排版和可读性。

　　我们先对章节进行排序，因为目录中的章节列表是按顺序排列的，所以只需在下载页面名称中加上序号即可。

　　但是保存网页的代码是一个回调函数，只有在处理目录时才能确定顺序。回调函数怎么知道顺序？因此，我们需要告诉回调函数它处理章节的序号，并且我们需要向回调函数传递参数。修改后的代码如下：

　　'''

更多Python学习资料以及源码教程资料，可以在群1136201545免费获取

'''

def parse(self, response):

pages = response.xpath('//div[@id="j-catalogWrap"]//ul[@class="cf"]/li')

for page in pages:

url = page.xpath('./child::a/attribute::href').extract_first()

idx = page.xpath('./attribute::data-rid').extract_first()

# yield scrapy.Request('https:' + url, callback=self.parse_chapter)

req = response.follow(url, callback=self.parse_chapter)

req.meta['idx'] = idx

yield req

pass

def parse_chapter(self, response):

idx = response.meta['idx']

title = response.xpath('//div[@class="main-text-wrap"]//h3[@class="j_chapterName"]/text()').extract_first().strip()

content = response.xpath('//div[@class="main-text-wrap"]//div[@class="read-content j_readContent"]').extract_first().strip()

# print title

# print content

filename = './down/%s_%s.html' % (idx, title)

cnt = '%s %s' % (title, content)

with open(filename, 'wb') as f:

f.write(cnt.encode('utf-8'))

pass

　　使用 Sigil 创建电子书

　　加载html文件

　　要制作 ePub 电子书，我们首先通过 Sigil 将抓取的文件加载到程序中，然后在“添加文件”对话框中选择所有文件：

　　

　　制作目录

　　当文件中存在 HTML h 标签时，单击 Generate Directory 按钮自动生成目录。我们在之前的数据捕获中自动添加了 h1 标签：

　　

　　做一个封面

　　

　　封面本质上是HTML，可以编辑或者从页面爬取，所以我留给你自己实现。