小说内容采集

OH，又一个小说站点！是的，你说对了。

规则

定义抓取网站的抓取规则，即可抓取信息，如起点图书列表规则如下：

rules = {
    #书籍列表
    book: {
        list: {
            url: 'http://all.qidian.com/book/bookstore.aspx?PageIndex=:page',
            path: 'div.twoleft',
            item: {
                path: 'div.sw2,div.sw1',
                segments: {
                    title: {
                        path: 'div.swb/span.swbt/a',
                        type: 'href'
                    },
                    last_chapter: {
                        path: 'div.swb/a.hui2',
                        type: 'href'
                    },
                    word_count: 'div.swc',
                    author: {
                        path: 'div.swd/a',
                        type: 'href',
                        save_url: false
                    },
                    last_updated_at: 'div.swe',
                    category_id: {
                        path: 'div.swa',
                        pattern: 'SubCategoryId=(\d+)',
                        category: 'regexp'
                    }
                },
            },

            paging: {
                path: 'div.storelistbottom',
                current_page: 'a.f_s',
                pages: 'a.f_a'
            }
        },

        #书籍明细，如图片，公告，评论等
        info: {

        },
        #书籍章节列表
        chapter: {

        },
        #书籍正文信息
        content: {

        }
    }
}

Source.create name: '起点中文网', code: 'qidian', url: 'http://qidian.com', rules: rules.to_yaml

目前才才是list节点

安装

• 获取代码

git clone [email protected]:yuesmart/mori.git

• 更新数据库配置

cd mori
cp config/database.yml.local  config/database.yml
vi config/database.yml

• 导入表结构

rake db:create
rake db:migrate

• 加载测试源

rake db:seed (加载测试源，如果需要)

抓取

抓取燃文小说

• 小说信息

rake scraper:ranwen:book 

• 小说章节信息

rake scraper:ranwen:chapter

• 消息章节正文

rake scraper:ranwen:content

• 解析章节之间关系

rake scraper:ranwen:associate

• 定期更新图书

rake scraper:ranwen:update 

根据规则抓取

seeds.rb中已经内置了起点图书列表的规则，如果你已经执行过rake db:seed可以直接执行如下命令：

rake scraper:qidian:book 

批量获取起点图书基本信息。

更多功能开发中，后期将以规则抓取为主，上面的燃文会被改写成规则抓取。

目前规则元数据格式不是最终确定的格式，因为才开始分析起点一个网站，也许后期会逐渐的完善、稳定下来

截图

• 首页

• 章节列表

• 正文

Contributing

Bug report or pull request are welcome.

Make a pull request

1. Fork it
2. Create your feature branch (git checkout -b my-new-feature)
3. Commit your changes (git commit -am 'Add some feature')
4. Push to the branch (git push origin my-new-feature)
5. Create new Pull Request

Please write unit test with your code if necessary.