如何用python爬虫从爬取一章小说到爬取全站小说

Posted 2020-11-27 python0921

 

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://t.cn/A6Zvjdun

 

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：

0. requests
1. xpath
2. 全站小说爬取思路

开发环境：

0. 版 本：anaconda5.2.0（python3.6.5）
1. 编辑器：pycharm

第三方库：

0. requests
1. parsel

进行网页分析

目标站点:

 

• 开发者工具的使用networkelement

 

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

如果想了解更多关于python的应用，可以私信小编