爬虫biqukan抓取2.0版

Posted 2021-02-13 chenxi188

#!python3.7
import requests,sys,time,logging,random
from lxml import etree
logging.basicConfig(level=logging.ERROR, format=‘ %(asctime)s - %(levelname)s： %(message)s‘) #DEBUG ERROR format显示格式可按自己喜好调整

#logging.disable(logging.CRITICAL) #调试日志是否显示开关
logging.debug(‘程序现在开始！‘) #调试日志开始标记
‘‘‘
时间：2019.3.15
功能：实现www.biqukan.com/1_1094/5403177.html小说下载为txt
版本：2.0
新增：加入了页面没有返回200成功码，异常处理；2.3功能合并；调试日志；
‘‘‘
global headers
headers={
    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36‘
    }

##0.获取所有章节url
def get_url_list(catalog_url):
    res=requests.get(catalog_url,headers=headers)
    
    if res.status_code==200:
        text=res.text
        html=etree.HTML(text)
        hrefs=html.xpath(‘//div[@class="listmain"]/dl/dt[2]/following-sibling::*/a/@href‘)

        #logging.debug(‘0.获取到的章节列表是：‘,hrefs) #【调试0】
        return hrefs
    raise Exception(‘页面没有正确返回哦！‘+res.text) #【调试】如果没有返回200则按错误抛出返回的状态码

##1.获取页面
def get_one_page(url):
    
    res=requests.get(url,headers=headers)
    if res.status_code==200:
        return res.text
    else:
        while res.status_code!=200:
            print(‘页面没有正确返回,正在重试请稍等哦！‘+res.text)
            res=requests.get(url,headers=headers)
            time.sleep(random.randint(1, 5))
        return res.text

##2.解析页面 3.写入txt文件
def parse_one_page(text):
    html=etree.HTML(text)
    title=html.xpath(‘//div[@class="content"]/h1//text()‘)
    content=html.xpath(‘//div[@class="showtxt"]//text()‘) #去掉换行
    contents=‘‘.join(content).replace(‘xa0‘*8,‘
‘*2)#把列表转换为一整段文本，并把8个空格换为2个换行

    #logging.debug(‘2.解析到的标题是：‘,title)#【调试2】
    #logging.debug(‘2.解析到的内容是：‘,contents)
    
    #写入文件
    with open(‘一念永恒.txt‘,‘a‘,encoding=‘utf-8‘)as f:
        f.write(title[0]+‘
‘+contents+‘
‘)
                    
##主函数
def main():
    #0.获取章节列表的网址
    catalog_url=‘https://www.biqukan.com/1_1094/‘
    urls=get_url_list(catalog_url)
    
    #把网址传入详情抓取页面，并保存
    for i in range(len(urls)):
        rel_url=‘https://www.biqukan.com‘+urls[i]
        #1.获取一个页面text
        text=get_one_page(rel_url)
        #2.解析3.写入文件
        parse_one_page(text) 
        
        #显示下载进度
        sys.stdout.write("  已下载:%.3f%%" %  float(i/len(urls)) + ‘
‘)
        sys.stdout.flush() 

##执行入口    
if __name__==‘__main__‘:
    main()