Python爬虫入门实战系列（一）--爬取网络小说并存放至txt文件

来源：互联网发布：为学软件编辑：程序博客网时间：2024/06/05 05:34

前言：本人接触网络爬虫不久，因此目前对于爬虫的理解可能也是浮于表面，文章中若存在问题欢迎大家指出。

运行平台： Windows
Python版本： Python3.x

浏览器：chrome浏览器

一、库文件

re
sys
BeautifulSoup
urllib.request
time

二、实战

（1）背景介绍

从乐文小说网站上爬取小说相见欢，并存放至txt文件中

URL：相见欢

（2）Beautifu Soup库的简介

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

详细请戳这里：Beautiful Soup 4.2.0文档

（3）实战进行中……

【重要】：python想要使用汉字，需要在脚本最前面添加 #coding:utf-8，汉字使用的编码为utf-8，否则会出现错误）

首先，我们引入我们需要的库文件

#coding:utf-8import reimport sysfrom bs4 import BeautifulSoupimport urllib.requestimport time

接下来，我们进行爬虫伪装（伪装报头）

（本次教程的网站没有反爬虫机制，可以选择跳过）

headers = ('User-Agent', 'Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1')opener = urllib.request.build_opener()opener.addheaders = {headers}urllib.request.install_opener(opener)

我们从爬取单章开始，首先我们进入第一张的网址相见欢-第一章

url = "http://www.lewendu8.com/books/21/21335/6381842.html"file = urllib.request.urlopen(url)data = BeautifulSoup(file , from_encoding="utf8")

data = BeautifulSoup(file , from_encoding="utf8")

from_encoding="utf8"

我们需要将内容进行转码，否则中文将会以乱码形式出现

我们首先获取这章的名称

section_name = data.title.stringprint(section_name)

运行结果：

section_name = data.title.string

我们利用这句话获取文章的章名（我认为比较简便的一种方法）

接下来我们需要获取这章的内容！！（不然看什么小说呢？）

我们按F12进入开发者功能，找出存放内容的标签

按照父子顺序细细划分

于是，我们寻找到了存放内容的标签

用下述语句将内容存放至section_text中

section_text = data.select('#bgdiv .border_l_r #content p')[0].text

按照指定格式替换章节内容，运用正则表达式

section_text=re.sub( '\s+', '\r\n\t', section_text).strip('\r\n') 

运行结果

至此，我们单章爬取任务完成

接下来我们任务当然是获取整本小说的内容了！

首先我们来比较一下每一章的网址

第一章：http://www.lewendu8.com/books/21/21335/6381842.html

第二章：http://www.lewendu8.com/books/21/21335/6381843.html

……

因此URL的构成：http://www.lewendu8.com/books/21/21335/章节序号.html

我们观察网页源代码可以发现：

其中next_page = "6381843.html"便是下一章的章节序号

因此我们在每个网页访问结束时，便可以进行访问下一章的网址

这里我们使用正则匹配获取下一章的章节序号

pt_nexturl = 'var next_page = "(.*?)"'
nexturl_num = re.compile(pt_nexturl).findall(str(data))
nexturl_num = nexturl_num[0]

当我们访问到相见欢最后一章时

当访问到最后一章时，我们的小说已经全部爬取结束

此时正则匹配到的信息为："http://www.lewendu8.com/books/21/21335/"

于是我们可以通过这个判断我们是否爬取结束

        if(nexturl == 'http://www.lewendu8.com/books/21/21335/'):              break

当我们爬取到了内容当然要进行文件读写进行存放

fp = open('相见欢.txt','a')
section_text = section_text
fp.write(section_name+"\n") 
fp.write(section_text+"\n") 

至此，本次爬取结束~您就可以将txt文件存放到手机上，看小说喽~

三、完整代码

#coding:utf-8#author:Ericam_import reimport sysfrom bs4 import BeautifulSoupimport urllib.requestimport timeheaders = ('User-Agent', 'Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1')opener = urllib.request.build_opener()opener.addheaders = {headers}urllib.request.install_opener(opener)def get_download(url):    file = urllib.request.urlopen(url)    data = BeautifulSoup(file , from_encoding="utf8")        section_name = data.title.string    section_text = data.select('#bgdiv .border_l_r #content p')[0].text            section_text=re.sub( '\s+', '\r\n\t', section_text).strip('\r\n')       fp = open('2.txt','a')       fp.write(section_name+"\n")      fp.write(section_text+"\n")      fp.close()     pt_nexturl = 'var next_page = "(.*?)"'    nexturl_num = re.compile(pt_nexturl).findall(str(data))    nexturl_num = nexturl_num[0]    return nexturl_numif __name__ == '__main__':    url = "http://www.lewendu8.com/books/21/21335/6381842.html"    num = 228    index = 1    get_download(url)    while(True):        nexturl = get_download(url)        index += 1        sys.stdout.write("已下载:%.3f%%" % float(index/num*100) + '\n')        sys.stdout.flush()        url = "http://www.lewendu8.com/books/21/21335/"+nexturl        if(nexturl == 'http://www.lewendu8.com/books/21/21335/'):            break    print(time.clock())

阅读全文

1 0