Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文

大宗师是著名网络小说作家蛇从革的系列作品“宜昌鬼事”之一，在天涯论坛具有超级高的访问量。这个长篇小说于2015年3月17日开篇，并于2016年12月29日大结局，期间每天有7万多读者阅读。如果在天涯社区直接阅读的话，会被很多读者留言干扰，如图

于是，我写了下面的代码，从天涯社区该小说的第一篇开始依次爬取每一页，提取作者“蛇从革”发过的文字并保存成为记事本文档。当然，代码还可以再优化一下，例如有时候作者就发了一句话“今天没有了”，按说这样的话可以过滤掉，大家可以自行修改。

在运行代码之前，首先要正确安装Python的爬虫框架scrapy，这个扩展库在Python 2.7.x中表现一直不错，现在也支持Python 3.5.x以及更新版本，可以使用pip直接进行安装，但是scrapy依赖的某些扩展库对高版本Python支持并不是很好，在使用pip安装scrapy的过程中如果某个依赖的扩展库安装失败，可以到网上下载相应的whl文件进行安装，重复上面的过程，知道出现“Successfully installed...”这样的提示。

接下来就是创建爬虫项目了，进入命令提示符（cmd）环境，切换至Python安装目录的scripts目录，执行命令scrapy startproject xiaoshuo创建爬虫项目xiaoshuo，进入该目录，然后编写Python程序文件\spiders\spiderYichangGuishi.py（内容就是下面的代码），然后在命令提示符环境中执行命令scrapy crawl spiderYichangGuishi，稍等大概3分钟左右即可爬取小说全文并生成记事本文档。

当然，在编写爬虫代码之前，需要对目标网站进行分析一下，打开要小说首页，右键，单击“查看源代码”，然后分析网页结构，如图，红色标记处是比较重点的地方。

\spiders\spiderYichangGuishi.py代码如下：

import scrapy
class MySpider(scrapy.spiders.Spider):
    #爬虫的名字，每个爬虫必须有不同的名字
    name = 'spiderYichangGuishi'
    
    #要爬取的小说首页，第一篇
    start_urls = ['http://bbs.tianya.cn/post-16-1126849-1.shtml']
    #对每个要爬取的页面，会自动调用下面这个方法
    def parse(self, response):
        #用来存放当前页中的小说正文
        content = []
        for i in response.xpath('//div'):
            #作者蛇从革的天涯账号
            if i.xpath('@_hostid').extract()==['13357319']:
                for j in i.xpath('div//div'):
                    #提取文本
                    c = j.xpath('text()').extract()
                    #过滤干扰符号
                    g = lambda x:x.strip('\n\r\u3000').replace('<br>', '\n').replace('|', '')
                    c = '\n'.join(map(g, c)).strip()
                    content.append(c)
                
        with open('result.txt', 'a+', encoding='utf8') as fp:
            fp.writelines(content)
        #获取下一页网址并继续爬取
        url = response.url
        d = url[url.rindex('-')+1:url.rindex('.')]
        next_url = 'http://bbs.tianya.cn/post-16-1126849-{0}.shtml'.format(int(d)+1)
        try:
            yield scrapy.Request(url=next_url, callback=self.parse)
        except:
            pass

爬取到的小说大概就是下面的样子了