Python抓取小说

前言

此脚本为了在MAC上抓取小说而写，用Python几句代码就可以了。

代码

# coding=utf-8import reimport urllib2import chardetimport sysfrom bs4 import BeautifulSoupimport codecsclass Spider():    def __init__(self):        self.aTag=re.compile("<a href=\"(http://www.44pq.com/read/[0-9]+?_[0-9]+?.html)\"[^>]*?>(.+?)</a>")        self.contentTag=re.compile("<div class=\"readerContent\" id=\"content\">(.+?)</div>",re.I|re.S)    def getHtml(self, url):        headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}        req=urllib2.Request(url,headers=headers)        response = urllib2.urlopen(req)                html = response.read()        return html        #soup=BeautifulSoup(html.decode("GB18030","ignore"))        #return soup.findAll("a")        #return soup.prettify()        #typeEncode = sys.getfilesystemencoding()        #infoencode = chardet.detect(html).get('encoding','utf-8')        #return html.decode('GB18030','ignore').encode("utf-8")        return html.decode('GB18030','ignore').encode(sys.getfilesystemencoding())        def Run(self):        bookurl="http://www.44pq.com/read/13567.html"        bookname="地球上唯一的魔法师"        text=[]        matchs=self.aTag.finditer(self.getHtml(bookurl))        alist=list(matchs)        total = len(alist)        print "total {0}".format(total)        i=0        for m in alist:            i+=1            text.append(m.group(2).decode("gb18030"))            text.append(self.getContent(m.group(1)))    self.writeFile(bookname,"\n\n".join(text))    del text[:]            print "{0}/{1}".format(i,total)        self.writeFile(bookname,"\n\n".join(text))        print "done!"    def writeFile(self,filename,text):        f=open(filename+".txt","a")        f.write(text)        f.close()    def getContent(self,url):        c=self.getHtml(url)                c=self.contentTag.search(c).group(1)        c=re.sub("<[^>]+?>","",c)        c=c.replace("nbsp;","").replace("&","")        return c.decode("gb18030")if __name__ == '__main__':    reload(sys)    sys.setdefaultencoding('utf-8')    spider = Spider()    spider.Run()

声明一下，实在搞不定CSDN编辑器的格式问题了，上述代码中：

self.writeFile(bookname,"\n\n".join(text))
del text[:]

这两行是在for循环里的，而不应该是与关键字for对齐的。

上面不必要的import可以删掉。以小说《地球上唯一的魔法师》为例，aTag是匹配小说目录所有章节的正则表达式，contentTag是匹配小说正文的正则表达式。

需要声明一点，此代码每抓取一章，就写入文件一次，以防内存占用过大。

self.writeFile(bookname,"\n\n".join(text))
del text[:]

如果需要，也可以抓取N章写入文件一次，只需加入一个简单的逻辑判断就OK了。占用多少内存和写多少次文件，每个人有自己不同的衡量标准。