python爬虫——爬取小说 | 探索白子画和花千骨的爱恨情仇

Posted 2021-02-05 派森学python

1.Beautiful Soup

1.Beautifulsoup 简介

此次实战从网上爬取小说，需要使用到Beautiful Soup。
Beautiful Soup为python的第三方库，可以帮助我们从网页抓取数据。
它主要有如下特点：

• 1.Beautiful Soup可以从一个HTML或者XML提取数据，它包含了简单的处理、遍历、搜索文档树、修改网页元素等功能。可以通过很简短地代码完成我们地爬虫程序。
• 2.Beautiful Soup几乎不用考虑编码问题。一般情况下，它可以将输入文档转换为unicode编码，并且以utf-8编码方式输出，

2.Beautiful Soup安装

win命令行下：

pip install beautifusoup4

3.Beautiful Soup基础

大家可以参考文档来学习（中文版的哦）：

[http://beautifulsoup.readthedocs.io/zh_CN/latest/#id8]

对于本次爬虫任务，只要了解以下几点基础内容就可以完成：
1.Beautiful Soup的对象种类：

• Tag
• Navigablestring
• BeautifulSoup
• Comment

2.遍历文档树：find、find_all、find_next和children
3.一点点HTML和CSS知识（没有也将就，现学就可以）

在学习的路上，光是看书闭门造车是不行的。所以我邀请你加入我创建的QQ群，与很多学习者一起相互交流，共同进步。 群号:923414804。入群后可免费获取更多的学习资料，学习资料可以领取包括不限于Python实战演练、PDF电子文档、面试集锦、学习资料等。更有大牛指导，期待你的加入。

2.爬取小说花千骨

1.爬虫思路分析

本次爬取小说的网站为136书屋。
先打开花千骨小说的目录页，是这样的。

 

我们的目的是找到每个目录对应的url，并且爬取其中地正文内容，然后放在本地文件中。

2.网页结构分析

首先，目录页左上角有几个可以提高你此次爬虫成功后成就感的字眼：暂不提供花千骨txt全集下载。
继续往下看，发现是最新章节板块，然后便是全书的所有目录。我们分析的对象便是全书所有目录。点开其中一个目录，我们便可以都看到正文内容。

 

按F12打开审查元素菜单。可以看到网页前端的内容都包含在这里。

 

我们的目的是要找到所有目录的对应链接地址，爬取每个地址中的文本内容。
有耐心的朋友可以在里面找到对应的章节目录内容。有一个简便方法是点击审查元素中左上角箭头标志的按钮，然后选中相应元素，对应的位置就会加深显示。

 

这样我们可以看到，每一章的链接地址都是有规则地存放在<li>中。而这些<li>又放在<div id="book_detail" class="box1">中。

 

我不停地强调“我们的目的”是要告诉大家，思路很重要。爬虫不是约pao，蒙头就上不可取。

3.单章节爬虫

 

刚才已经分析过网页结构。我们可以直接在浏览器中打开对应章节的链接地址，然后将文本内容提取出来。

 

我们要爬取的内容全都包含在这个<div>里面。
代码整理如下：

from urllib import request
from bs4 import BeautifulSoup

if __name__ == \'__main__\':
    # 第8章的网址
    url = \'http://www.136book.com/huaqiangu/ebxeew/\'
    head = {}
    # 使用代理
    head[\'User-Agent\'] = \'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19\'
    req = request.Request(url, headers = head)
    response = request.urlopen(req)
    html = response.read()
    # 创建request对象
    soup = BeautifulSoup(html, \'lxml\')
    # 找出div中的内容
    soup_text = soup.find(\'div\', id = \'content\')
    # 输出其中的文本
    print(soup_text.text)
    

运行结果如下：

 

这样，单章节内容爬取就大功告成了。

4.小说全集爬虫

单章节爬虫我们可以直接打开对应的章节地址解析其中的文本，全集爬虫我们不可能让爬虫程序在每章节网页内中跑一遍，如此还不如复制、粘贴来的快。
我们的思路是先在目录页中爬取所有章节的链接地址，然后再爬取每个链接对应的网页中的文本内容。说来，就是比单章节爬虫多一次解析过程，需要用到Beautiful Soup遍历文档树的内容。

1.解析目录页

在思路分析中，我们已经了解了目录页的结构。所有的内容都放在一个<div id="book_detail" class="box1">中。

 

这儿有两个一模一样的<div id="book_detail" class="box1">。
第一个<div>包含着最近更新的章节，第二个<div>包含着全集内容。
请注意，我们要爬取的是第二个<div>中的内容。
代码整理如下：

from urllib import request
from bs4 import BeautifulSoup

if __name__ == \'__main__\':
    # 目录页
    url = \'http://www.136book.com/huaqiangu/\'
    head = {}
    head[\'User-Agent\'] = \'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19\'
    req = request.Request(url, headers = head)
    response = request.urlopen(req)
    html = response.read()
    # 解析目录页
    soup = BeautifulSoup(html, \'lxml\')
    # find_next找到第二个<div>
    soup_texts = soup.find(\'div\', id = \'book_detail\', class_= \'box1\').find_next(\'div\')
    # 遍历ol的子节点，打印出章节标题和对应的链接地址
    for link in soup_texts.ol.children:
        if link != \'\\n\':
            print(link.text + \':  \', link.a.get(\'href\'))
        

执行结果如图：

 

2.爬取全集内容

将每个解析出来的链接循环代入到url中解析出来，并将其中的文本爬取出来，并且写到本地F：/huaqiangu.txt中。
代码整理如下：

from urllib import request
from bs4 import BeautifulSoup

if __name__ == \'__main__\':
    url = \'http://www.136book.com/huaqiangu/\'
    head = {}
    head[\'User-Agent\'] = \'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19\'
    req = request.Request(url, headers = head)
    response = request.urlopen(req)
    html = response.read()
    soup = BeautifulSoup(html, \'lxml\')
    soup_texts = soup.find(\'div\', id = \'book_detail\', class_= \'box1\').find_next(\'div\')
    # 打开文件
    f = open(\'F:/huaqiangu.txt\',\'w\')
    # 循环解析链接地址
    for link in soup_texts.ol.children:
        if link != \'\\n\':
            download_url = link.a.get(\'href\')
            download_req = request.Request(download_url, headers = head)
            download_response = request.urlopen(download_req)
            download_html = download_response.read()
            download_soup = BeautifulSoup(download_html, \'lxml\')
            download_soup_texts = download_soup.find(\'div\', id = \'content\')
            # 抓取其中文本
            download_soup_texts = download_soup_texts.text
            # 写入章节标题
            f.write(link.text + \'\\n\\n\')
            # 写入章节内容
            f.write(download_soup_texts)
            f.write(\'\\n\\n\')
    f.close()
    

执行结果显示 [Finished in 32.3s] 。

打开F盘查看花千骨文件。

 

爬虫成功。备好纸巾，快快去感受尊上和小骨的虐恋吧。

5.总结

代码还有很多改进的地方。例如文本中包含广告的js代码可以去除，还可以加上爬虫进度显示等等。实现这些功能需要包含正则表达式和os模块知识，就不多说了，大家可以继续完善。

---

码字辛苦，码代码费神，文字和代码同码更是艰辛无比。如果您觉得文章有那么一丢丢价值，请不要吝啬您的赞赏。