Python爬虫之利用BeautifulSoup爬取豆瓣小说——将小说信息写入文件
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python爬虫之利用BeautifulSoup爬取豆瓣小说——将小说信息写入文件相关的知识,希望对你有一定的参考价值。
1 #-*-coding:utf-8-*- 2 import urllib2 3 from bs4 import BeautifulSoup 4 5 class dbxs: 6 7 def __init__(self): 8 self.pageIndex = 0 9 self.enable = True 10 self.file = None 11 self.content = [] 12 13 14 #获取html页面的内容 15 def getPage(self, pageIndex): 16 try: 17 #设置代理ip 18 enable_proxy = True 19 proxy_handler = urllib2.ProxyHandler({‘Http‘: ‘113.118.170.230:808‘}) 20 null_proxy_handler = urllib2.ProxyHandler({}) 21 if enable_proxy: 22 opener = urllib2.build_opener(proxy_handler) 23 else: 24 opener = urllib2.build_opener(null_proxy_handler) 25 urllib2.install_opener(opener) 26 #获得页面响应的内容 27 url = ‘https://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/book‘ + "?start=" + str(pageIndex) 28 #设置请求头部信息,模拟浏览器的行为 29 my_headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0)‘} 30 request = urllib2.Request(url, headers = my_headers) 31 response = urllib2.urlopen(request) 32 return response.read() 33 except urllib2.URLError, e: 34 if hasattr(e, "code"): 35 print e.code 36 if hasattr(e, "reason"): 37 print e.reason 38 return None 39 40 #过滤查找这一页的小说名字,信息和评分 41 def getContent(self, pageIndex, content): 42 pageCode = self.getPage(pageIndex) 43 soup = BeautifulSoup(pageCode, ‘html.parser‘) 44 #在获得相应的内容中找出所有标签为<dd>的内容(里面包含了我们需要的小说信息) 45 contents = soup.find_all(‘dd‘) 46 47 if contents: 48 for item in contents: 49 title = item.find(class_ = ‘title‘).string.encode(‘utf-8‘) 50 info = item.find(class_ = ‘desc‘).string.strip().encode(‘utf-8‘) 51 rate = item.find(class_ = ‘rating_nums‘) 52 #通过试验,我们发现某一页可能存在小说没有评分,如果我们不判断rate,那么可能就出现报错 53 if rate: 54 rates = rate.string.encode(‘utf-8‘) 55 content.append([title, info, rates]) 56 57 else: 58 content.append([title, info]) 59 #如果页面不包含<dd>标签,我们应该停止 60 else: 61 print u"所有页面已加载完" 62 self.enable = False 63 64 return content 65 66 67 68 #写入文件 69 def writeData(self, content): 70 self.file = open("bdxs.txt", "w+") #必须在for循环外面,不然每一次写入都会覆盖之前的数据 71 for item in content: 72 if len(item) == 3: 73 self.file.write(item[0] + "\n") 74 self.file.write(item[1] + "\n") 75 self.file.write(u"评分:" + item[2] + "\n\n") 76 else: 77 self.file.write(item[0] + "\n") 78 self.file.write(item[1] + "\n") 79 self.file.write("========================================\n\n") 80 81 82 #创建一个开始方法 83 def start(self): 84 x = 1 85 while self.enable == True: 86 content = self.getContent(self.pageIndex, self.content) 87 if self.enable == True: 88 print "正在写入第%s页..." %x 89 self.writeData(content) 90 self.pageIndex += 15 91 x += 1 92 93 94 DBXS = dbxs() 95 DBXS.start()
这段代码我还没理解透彻,比如每一页的小说信息写入完成后,怎么在后面加上第几页,后期我将继续完善它。
以上是关于Python爬虫之利用BeautifulSoup爬取豆瓣小说——将小说信息写入文件的主要内容,如果未能解决你的问题,请参考以下文章
Python爬虫:用BeautifulSoup进行NBA数据爬取
python多线程爬虫爬取顶点小说内容(BeautifulSoup+urllib)