首页 > Python > 文章正文

Python爬虫层层递进,从爬取一章小说到爬取全站小说

更新时间:2019-11-10

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

[http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956ce]

很多好看的小说只能看不能下载,教你怎么爬取一个网站的所有小说

知识点:

  1. requests

  2. xpath

  3. 全站小说爬取思路

开发环境:

  1. 版 本:anaconda5.2.0(python3.6.5)

  2. 编辑器:pycharm

第三方库:

  1. requests

  2. parsel

进行网页分析

目标站点: 在这里插入图片描述

  • 开发者工具的使用

    • network

    • element

爬取一章小说

  • requests库的使用(请求网页数据)

  • 对请求网页数据步骤进行封装

  • css选择器的使用(解析网页数据)

  • 操作文件(数据持久化)

# -*- coding: utf-8 -*-
import requests
import parsel

"""爬取一章小说"""

# 请求网页数据
headers = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}

response = requests.get('http://www.shuquge.com/txt/8659/2324752.html', headers=headers)
response.encoding = response.apparent_encoding
html = response.text
print(html)


# 从网页中提取内容
sel = parsel.Selector(html)

title = sel.css('.content h1::text').extract_first()
contents = sel.css('#content::text').extract()
contents2 = []
for content in contents:
   contents2.append(content.strip())

print(contents)
print(contents2)

print("\n".join(contents2))

# 将内容写入文本
with open(title+'.txt', mode='w', encoding='utf-8') as f:
   f.write("\n".join(contents2))

爬取一本小说

  • 对爬虫进行重构

    需要爬取很多章小说,最笨的方法是直接使用 for 循环。

  • 爬取索引页

    需要爬取所有的章节,只要获取每一章的网址就行了。

import requests
import parsel

"""获取网页源代码"""

# 模拟浏览器发送请求
headers = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}


def download_one_chapter(target_url):
   # 需要请求的网址
   # target_url = 'http://www.shuquge.com/txt/8659/2324753.html'
   # response 服务返回的内容 对象
   # pycharm ctrl+鼠标左键
   response = requests.get(target_url, headers=headers)

   # 解码 万能解码
   response.encoding = response.apparent_encoding

   # 文字方法 获取网页文字内容
   # print(response.text)
   # 字符串
   html = response.text

   """从网页源代码里面拿到信息"""
   # 使用parsel 把字符串变成对象
   sel = parsel.Selector(html)

   # scrapy
   # extract 提取标签的内容
   # 伪类选择器(选择属性) css选择器(选择标签)
   # 提取第一个内容
   title = sel.css('.content h1::text').extract_first()
   # 提取所有的内容
   contents = sel.css('#content::text').extract()
   print(title)
   print(contents)

   """ 数据清除 清除空白字符串 """
   # contents1 = []
   # for content in contents:
   #     # 去除两端空白字符
   #     # 字符串的操作 列表的操作
   #     contents1.append(content.strip())
   #
   # print(contents1)
   # 列表推导式
   contents1 = [content.strip() for content in contents]
   print(contents1)
   # 把列表编程字符串
   text = '\n'.join(contents1)
   print(text)
   """保存小说内容"""
   # open 操作文件(写入、读取)
   file = open(title + '.txt', mode='w', encoding='utf-8')

   # 只能写入字符串
   file.write(title)
   file.write(text)

   # 关闭文件
   file.close()


# 传入一本小说的目录
def get_book_links(book_url):
   response = requests.get(book_url)
   response.encoding = response.apparent_encoding
   html = response.text
   sel = parsel.Selector(html)
   links = sel.css('dd a::attr(href)').extract()
   return links


# 下载一本小说
def get_one_book(book_url):
   links = get_book_links(book_url)
   for link in links:
       print('http://www.shuquge.com/txt/8659/' + link)
       download_one_chapter('http://www.shuquge.com/txt/8659/' + link)



if __name__ == '__main__':
   # target_url = 'http://www.shuquge.com/txt/8659/2324754.html'
   # # 关键词参数与位置参数
   # download_one_chapter(target_url=target_url)
   # 下载别的小说 直接换url
   book_url = 'http://www.shuquge.com/txt/8659/index.html'
   get_one_book(book_url)

爬取全站小说

  • 爬取索引页

    需要爬取所有的小说,只要获取每一本书的索引页就行了

原文链接:https://www.cnblogs.com/qun821460695/p/11830515.html

相关文章
相关标签