爬虫基础-1-爬取小说资源

Posted 2021-01-23

小生博客：http://xsboke.blog.51cto.com

小生 Q Q：1770058260

                    -------谢谢您的参考，如有疑问，欢迎交流

---

使用BeautifulSoup爬取网站资源

注:此文仅供学习参考,如果该网站平凡文学负责人有异议,请留言,作者将删除此文章有关平凡文学的所有信息.

BeautifulSoup简介：

我的理解:BeautifulSoup就是用来解析html的模块,详细信息还请参考BeautifulSoup4.2.0 中文文档

随便找了一个小说网站,没有爬取文章内容,主要是理解一下BeautifulSoup4的使用方法,如果搞懂本文了,爬取文章都不是问题.

代码最后生成一个字典如下：

{‘玄幻‘:[[‘书名1‘,‘作者1‘,‘书链接1‘],
         [‘书名2‘,‘作者2‘,‘书链接2‘]
       ],
 ‘恐怖‘:[[‘书名1‘,‘作者1‘,‘书链接1‘],
         [‘书名2‘,‘作者2‘,‘书链接2‘]
       ]
}

代码正文:

请安装requests和bs4(BeautifulSoup)

from bs4 import BeautifulSoup
import requests,sys
sys.setrecursionlimit(10000)  # 防止超出递归深度报错

Url_Index = ‘http://m.pfwx.com‘

r = requests.get(Url_Index)
r.encoding = ‘utf-8‘
content = r.text
soup = BeautifulSoup(content,features=‘html.parser‘)

target = soup.find(‘div‘,class_=‘nav‘) # 只获取第一个包含class=‘nav‘属性的div标签
tar = target.find_all(‘a‘)  # 过滤出a标签

# 获取index的栏目
Index_Menu = {}
for so in tar:
    TEXT = so.get_text()
    HREF = Url_Index + so[‘href‘]       # 获取href属性的值
    Index_Menu[TEXT] = HREF

# 获取分类
Class_Page = Index_Menu[‘分类‘]
r = requests.get(url=Class_Page)
r.encoding = ‘utf-8‘
content = r.text
soup = BeautifulSoup(content,features=‘html.parser‘)
tag = soup.body.find_all(‘li‘,class_=‘prev‘)
Menu = {}
for so in tag:
    TEXT = so.get_text() # 获取文本
    HREF = so.a.attrs[‘href‘] # 获取a标签中的href属性
    # 生成各个分类的Url
    Category_Url = Url_Index + HREF
    Menu[TEXT] = Category_Url

# 获取每种分类的书信息
for ClassName in Menu:
    Book_List = []
    def make(url):
        ‘‘‘获取所有的书信息,并且交给函数IF判断是否还有下一页,如果有则继续获取书的信息‘‘‘
        r = requests.get(url=url)
        content = r.text
        soup = BeautifulSoup(content, features=‘html.parser‘)
        target = soup.find_all(‘a‘, class_=‘blue‘)
        for so in target:
            BookName = so.get_text()                        # 书名
            IMHOW_NAME = so.next_sibling.split(‘/‘)[1]  # 作者名
            HREF = Url_Index + so[‘href‘]               # 书的链接
            Book_List.append([BookName,IMHOW_NAME,HREF])

        Next_Page = soup.find(‘div‘, class_=‘page‘)
        IF(NextPage=Next_Page)

    def IF(NextPage):
        ‘‘‘判断是否还有下一页,如果有则继续循环‘‘‘
        for Page in NextPage.find_all(‘a‘):
            if Page.get_text() == ‘下页‘:
                ‘‘‘判断如果还有下页,则继续获取书的信息‘‘‘
                Url = Url_Index + Page[‘href‘]
                make(url=Url)

    url=Menu[ClassName] # 获取当前分类的URL
    make(url) # 获取当前分类的所有书信息
    Menu[ClassName] = Book_List # 最后生成的信息都在这个字典里面;格式{‘玄幻‘:[[‘书名1‘,‘作者1‘,‘书链接1‘],[‘书名2‘,‘作者2‘,‘书链接2‘]]}