共计 5479 个字符，预计需要花费 14 分钟才能阅读完成。
最近热播的电视剧《全职高手》是由小说改编而成的，爬取小说当做练习吧~~ 本文练习爬取第一章的章节标题和章节内容，并且保存到本地文件中。
创建一个 scrapy 项目
$ scrapy init first_scrapy创建完成后目录结构跟下面???? 应该是一样的，在 spiders 目录下新建 novel.py 文件，待会咱就在这个文件中写爬虫程序。
写第一个爬虫
爬取网页源代码
import scrapy
class NovelSpider(scrapy.Spider):
# 启动爬虫时会用到这个名称
name = "novel"
# 爬取哪个网页的源码，这里是网址
start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]
def parse(self, response):
# 拿到 html 网页源代码
html_str = response.css('html').extract_first()
# 保存为本地文件 source.html
with open('source.html', 'w') as f:
f.write(html_str)
self.log('保存文件成功')- name 爬虫的名字，启动爬虫时需要用到它；
- start_urls 要爬取哪个网页的源代码，填写网页网址；
- parse Scrapy 帮你请求网址，拿到源代码后塞给 response 参数，接下来对 response 操作提取需要的数据。
运行爬虫
$ scrapy crawl novel <= 这里的 novel 就是上面代码中的 name 值 执行完成后在根目录下创建了 source.html 文件，打开可以看到网页的源代码已经被我们爬下来了。
提取数据
Scrapy 提供调试环境和 css 提取器，帮助我们快速准确的从 html 源代码中拿到我们需要的数据。
调试环境
Scrapy 提供了调试环境，方便我们测试提取的数据是否正确。
命令行中输入???? 脚本，其中 scrapy shell 是固定写法，后面跟要爬取网页的网址。
$ scrapy shell https://www.biquge5200.cc/0_857/651708.html 输入完成后会 blala… 打印一堆东东，我们只要关注最后一行 >>>。
2019-08-01 09:22:29 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: scrapybot)
2019-08-01 09:22:29 [scrapy.utils.log] INFO: Versions: lxml 4.2.5.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.7.0 (default, Sep 18 2018, 18:47:22) - [Clang 9.1.0 (clang-902.0.39.2)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0i 14 Aug 2018), cryptography 2.3.1, Platform Darwin-17.7.0-x86_64-i386-64bit
2019-08-01 09:22:29 [scrapy.crawler] INFO: Overridden settings: {'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'LOGSTATS_INTERVAL': 0}
2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage']
2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2019-08-01 09:22:29 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2019-08-01 09:22:29 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2019-08-01 09:22:29 [scrapy.core.engine] INFO: Spider opened
2019-08-01 09:22:29 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.biquge5200.cc/0_857/651708.html> (referer: None)
[s] Available Scrapy objects:
[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s] crawler <scrapy.crawler.Crawler object at 0x10bc049e8>
[s] item {}
[s] request <GET https://www.biquge5200.cc/0_857/651708.html>
[s] response <200 https://www.biquge5200.cc/0_857/651708.html>
[s] settings <scrapy.settings.Settings object at 0x10bc04748>
[s] spider <DefaultSpider 'default' at 0x10bf0ac88>
[s] Useful shortcuts:
[s] fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s] fetch(req) Fetch a scrapy.Request and update local objects
[s] shelp() Shell help (print this help)
[s] view(response) View response in a browser
>>> css 提取器
比如我们想提取 https://www.biquge5200.cc/0_857/651708.html 的 title 标签中的数据，在最后一行 >>> 后面输入 response.css(‘title’)，然后回车。
>>> response.css('title')
[<Selector xpath='descendant-or-self::title' data='<title> 第一章 被驱逐的高手_全职高手_笔趣阁 </title>'>] 你会发现，提取到的是个 Selector 数组，并不是我们想要的数据。Scrapy 给我们准备了一些函数来进一步提取，extract() 函数将 Selector 转换为我们熟悉的 html 标签
>>> response.css('title').extract()
['<title> 第一章 被驱逐的高手_全职高手_笔趣阁 </title>']???? 拿到的 html 标签仍然是一个数组，在后面加上 [0] 很方便拿到数组中第一个元素
>>> response.css('title').extract()[0]
'<title> 第一章 被驱逐的高手_全职高手_笔趣阁 </title>'Scrapy 提供了另一个函数 extract_first()，同样可以拿到数组中第一个元素，写法上更加简单。至此，成功提取到 title 标签，但是多了 title 标签，继续修改。
>>> response.css('title').extract_first()
'<title> 第一章 被驱逐的高手_全职高手_笔趣阁 </title>'在 title 后面加上 ::text 即可提取 html 标签包裹的内容了。到这里已经成功提取到我们需要的数据了。
>>> response.css('title::text').extract_first()
'第一章 被驱逐的高手_全职高手_笔趣阁'::text 可以提取 html 标签包裹的内容，如果要提取 html 标签自身的属性，比如上面???? a 标签的 href 属性值，怎么办呢？
<a href="https://xxx.yyy.ccc"> 链接 </a>::attr(属性名) 可以提取 html 标签自身的属性。
>>> response.css('a::attr(href)').extract_first()提取章节标题和章节内容
有了前面 css 提取器的学习，拿到章节标题和章节内容相信不是什么困难的事了~~
import scrapy
class NovelSpider(scrapy.Spider):
name = "novel"
start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]
def parse(self, response):
# 拿到章节标题
title = response.css('div.bookname h1::text').extract_first()
# 拿到章节内容
content = '\n\n'.join(response.css('div#content p::text').extract())
print("title", title)
print("content", content)运行爬虫
$ scrapy crawl novel可以看到分别打印了章节标题和标题内容。
保存为本地文件
在第一步 爬取网页 中已经用过一次保存为本地文件的操作了，当时是把网页源代码保存为 source.html。
现在把章节标题和章节内容保存为 novel.txt 文件。
import scrapy
class NovelSpider(scrapy.Spider):
name = "novel"
start_urls = ["https://www.biquge5200.cc/0_857/651708.html"]
def parse(self, response):
title = response.css('div.bookname h1::text').extract_first()
content = '\n\n'.join(response.css('div#content p::text').extract())
# 保存为本地文件 novel.txt
with open('novel.txt', 'w') as f:
f.write(title)
f.write('\n')
f.write(content)
self.log('保存文件成功')运行爬虫，可以看到根目录下输出了 novel.txt 文件，成功地将章节标题和章节内容保存到文件中。
正文完
