爬起点小说 day02
Posted 窃语
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬起点小说 day02相关的知识,希望对你有一定的参考价值。
总的来说起点小说还是挺好爬的,就是爬取小说的时候太慢了,4000多本小说就爬了2天一夜
首先爬取的是网页的所有类别,并把类别名存入到mongodb中,链接存到redis中:
import scrapy from bson.objectid import ObjectId from scrapy.http import Request from qidianNovel.spiders.connectionSQL import getredis,getMongodb # 把起点首页的所有列表 class spider_list(scrapy.Spider): name = "spider_list" #要调用的名字 allowed_domains = ["qidian.com"] #分一个域 start_urls = [#所有要爬路径 "https://www.qidian.com/all?orderId=&page=1&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0" ] #每爬完一个网页会回调parse方法 def parse(self, response): hx=response.xpath(‘//div[@class="work-filter type-filter"]/ul/li/a|//div[@class="work-filter type-filter"]/ul/li/a‘) for i in range(1,len(hx)): print(hx[i].select("text()").extract()[0]) # 取长度 Pid=self.insertMongodb(hx[i].select("text()").extract()[0],None) url="https:"+hx[i].select("@href").extract()[0] print(url) request=Request(url,callback=lambda response,Pid=str(Pid):self.detail_list(response,Pid)) yield request def detail_list(self,response,Pid): links = response.xpath(‘//div[@class="sub-type"]/dl[@class=""]/dd/a‘) pid=ObjectId(Pid) for link in links: print("***************") print(link.select("text()").extract()[0]) print(link.select(‘@href‘).extract()[0]) print("***************") cid=self.insertMongodb(link.select("text()").extract()[0],pid) href="https:" + link.select(‘@href‘).extract()[0] self.pushRedis(pid,cid,href) def insertMongodb(self,className,pid): bcollection = getMongodb(‘novel‘, ‘boy_list‘) id = bcollection.insert({‘list_name‘: className, ‘pid‘: pid}) return id def pushRedis(self,pid,cid,href): red = getredis() href="%s,%s,%s" %(pid,cid,href) red.lpush(‘bnovel_all_list‘,href)
以上是关于爬起点小说 day02的主要内容,如果未能解决你的问题,请参考以下文章