python爬虫bs4方法

最新推荐文章于 2025-04-07 13:54:23 发布

原创最新推荐文章于 2025-04-07 13:54:23 发布 · 477 阅读

0 ·

CC 4.0 BY-SA版权

python爬虫专栏收录该内容

14 篇文章

订阅专栏

本博客介绍了一个Python脚本，使用BeautifulSoup和urllib库从网站爬取《三国演义》整本书的内容，并将其保存为文本文件。脚本首先获取小说目录页的所有章节链接，然后逐个下载章节内容。

这里只爬取了三国演义整本书

from bs4 import BeautifulSoup
import urllib.request
import time

def get_string(href):
    request = get_request(url=href)
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf8')
    soup = BeautifulSoup(content,'lxml')
    odiv = soup.find('div',class_ = 'chapter_content')
    return odiv.text

def get_text(odiv):
    #更具方法查找所有章节A链接
    on_list = odiv.find_all('a')
    fp = open('三国演义.txt','w',encoding='utf8')
    for on in on_list:
        title = on.string
        print("正在下载-----%s"%title)
        href = 'http://www.shicimingju.com' + on["href"]
        text = get_string(href)
        #写入文件
        fp.write(title + '/n' + text)
        print("结束下载-----%s" % title)
        time.sleep(2)
    fp.close()


def parse_content(content):
    #生成soup对象
    soup = BeautifulSoup(content,'lxml')
    #更具方法查找所有的章节和内容
    odiv = soup.find('div',class_='book-mulu')
    get_text(odiv)


def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf8')
    return content

def get_request(url):
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
        }
    request = urllib.request.Request(url=url,headers=headers)
    return request

def main():
    url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    # 构建请求对象
    request = get_request(url)
    #获得首页内容
    content = get_content(request)
    #通过bs4解析网页内容
    parse_content(content)

if __name__ == '__main__':
    main()