使用爬虫技术揭秘盗版书城背后的秘密

Posted 2021-04-30 信安灯塔

　　继上次python爬取视频,之后会陆续会有一些python小例子的文章分享给大家,以及一些爬虫的思路~~

　　本次分享的是通过爬虫去爬取小说,话不多说,开工!!!

　　我们本次以《斗破苍穹》这本小说为例,有没有看过这部小说的朋友啊~~~

　　经过《python爬取视频》这篇文章中,我们可以知道拿到一个网站要进行分析:

　　分析浏览器与服务器的请求与响应

　　分析网站的源代码

　　同样的我们去度娘搜索《斗破苍穹》

　　找到一个能看的网站点进去,网站如下:

　　http://www.biquku.la/0/425/

　　看到这个 "斗之力,三段!" ,有没有勾起你的一丝丝青春, 咳咳咳,跑题了~~~~

　　我们本次的目标就是将这本《斗破苍穹》这本书的完整内容爬取下来,冲冲冲

　　http://www.biquku.la/0/425/232391.html

　　我猜你心里可能会这样想:232391.html 这个232391这个数字会不会代表《斗破苍穹》这本书的编号呢?

　　答案是肯定的!!!

　　同样的,通过键盘上的F12,打开检查,也可以右键打开,如下

　　刷新一下网页

　　通过浏览器去访问小说的服务器,得到了这么多的文件,又到了找文件环节,上次是视频,根据老辣的经验知道,视频的常见的文件后缀名是MP4,那现在小说会是什么呢?

　　想啊想啊,文字会是撒? txt? World? emmmmmm.......词穷了

　　按照这个逻辑去找一下,还是ctrl+F快速查找:

　　发现没有,那world有吗?不死心,再去试试

　　还是撒都没有,完了完了,还没有一丝头绪,只有最后的网页的源代码没有分析了

　　颤抖这双手,打开网页的源代码,心里这要是在没有点线索该咋搞捏?

　　通过F12再次打开控制台,如下

　　控制台中Elenments中的内容也是网页的源代码,也可以在网页上用右键点击查看网页源代码,也可以用快捷键ctrl+U打开网页源代码

　　我们这里用控制台来分析网页源代码,这是为什么呢?因为控制台给我们提供了一些很方便的工具使用~~~主要是图个方便~~~

　　我们来熟悉一下这个控制台

　　我们通过点击控制台上的鼠标小箭头,然后移动鼠标到上图箭头所指的位置,那么这个箭头是干嘛的呢?这个箭头是用来检索网页上的元素,比如我们现在其实是想要获取到小说的内容,我们就可以看看小说的内容在网页源代码里的位置在哪里

　　其实如果ctrl+U也可以直观的发现小说的内容在源代码的位置

　　找到内容之后接下来就是想如何把内容给抓取下来了!!!

　　

import requests

　　import parsel

　　from urllib import parse

　　# 先爬取一章

　　# 请求网址 获取网页数据 html

　　def download_one_page(url):

　　res = requests.get(url)

　　# 乱码解决问题 万能解码

　　res.encoding = res.apparent_encoding

　　# 字符串 网页html

　　# 解析方法 正则表达式 xpath css selector

　　sel = parsel.Selector(res.text)

　　#每一个章节的名字

　　# h1 = sel.css("h1::text")

　　# title = h1.get()

　　book_title_url = url.split(url.split("/")[-1])[0]

　　pes = requests .get(book_title_url)

　　pes.encoding = pes.apparent_encoding

　　book_title_sel = parsel.Selector(pes.text)

　　h1 = book_title_sel.css("h1::text")

　　title = h1.get()

　　content = sel.css("#content::text")

　　# text = ",".join(content.getall())

　　# 列表合并为字符串

　　lines = content.getall()

　　text = ""

　　for line in lines:

　　text += line.strip() + "\n\n"

　　"""保存数据"""

　　with open(title + ".txt", "a", encoding="utf-8") as f:

　　f.write(text)

　　def download_one_book(url):

　　res = requests.get(url)

　　res.encoding = res.apparent_encoding

　　sel = parsel.Selector(res.text)

　　#获取所有的请求网址

　　url_s = sel.css("dd > a::attr(href)").getall()

　　# for url in url_s[20:]:

　　for url in url_s:

　　# 把网址补全

　　url = parse.urljoin(res.url, url)

　　# download_one_page("http://www.biquku.la/0/425/"+url)

　　print(url)

　　download_one_page(url)

　　# 下载一本小说的方法

　　download_one_book("http://www.biquku.la/0/425/")

往期回顾