爬虫初识

最新推荐文章于 2025-01-23 23:05:29 发布

原创最新推荐文章于 2025-01-23 23:05:29 发布 · 171 阅读

0 ·

CC 4.0 BY-SA版权

本文分享了一次爬虫实践经历，详细介绍了如何使用Python和BeautifulSoup库从盗版小说网站爬取小说《三寸人间》的过程。文章提供了完整的代码示例，包括获取下载链接、获取章节内容及将内容写入文件的方法。

多少年了，一直没有真正的去玩下爬虫，最近闲来无聊，参考csdn上的博客，准备去动手跟着做一下。

参考博客地址：https://blog.youkuaiyun.com/u012662731/article/details/78537432

首先实现其第一个实例，去盗版小说网站爬取小说，因为网站结构已经有所改变，所以部分代码需要有所调整，贴出调整后的代码如下：

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests, sys

"""
类说明:下载《笔趣看》网小说《一念永恒》
Parameters:
    无
Returns:
    无
Modify:
    2017-09-13
"""


class downloader(object):

    def __init__(self):
        self.server = 'http://www.xbiquge.la/'
        self.target = 'http://www.xbiquge.la/10/10489/'
        self.names = []  # 存放章节名
        self.urls = []  # 存放章节链接
        self.nums = 0  # 章节数

    """
    函数说明:获取下载链接
    Parameters:
        无
    Returns:
        无
    Modify:
        2017-09-13
    """

    def get_download_url(self):
        req = requests.get(url=self.target)
        req.encoding = req.apparent_encoding    #此行为了保证不是乱码
        html = req.text
        div_bf = BeautifulSoup(html, "html.parser")
        div = div_bf.find_all('div', id='list')
        a_bf = BeautifulSoup(str(div[0]), "html.parser")
        a = a_bf.find_all('a')
        self.nums = len(a[1:])  # 剔除不必要的章节，并统计章节数
        for each in a[1:]:
            self.names.append(each.string)
            self.urls.append(self.server + each.get('href'))
            # print(self.server + each.get('href'))

    """
    函数说明:获取章节内容
    Parameters:
        target - 下载连接(string)
    Returns:
        texts - 章节内容(string)
    Modify:
        2017-09-13
    """

    def get_contents(self, target):
        req = requests.get(url=target)
        req.encoding = req.apparent_encoding
        html = req.text
        bf = BeautifulSoup(html, "html.parser")
        texts = bf.find_all('div', id='content')
        # print(texts)
        texts = texts[0].text#.replace('\xa0' * 8, '\n\n')
        return texts

    """
    函数说明:将爬取的文章内容写入文件
    Parameters:
        name - 章节名称(string)
        path - 当前路径下,小说保存名称(string)
        text - 章节内容(string)
    Returns:
        无
    Modify:
        2017-09-13
    """

    def writer(self, name, path, text):
        write_flag = True
        with open(path, 'a', encoding='utf-8') as f:
            f.write(name + '\n')
            # print(text)
            f.writelines(text)
            f.write('\n\n')


if __name__ == "__main__":
    print('downloader')
    dl = downloader()
    print('get_download_url')
    dl.get_download_url()
    print('《三寸人间》开始下载：')
    for i in range(dl.nums):
        dl.writer(dl.names[i], '三寸人间.txt', dl.get_contents(dl.urls[i]))
        sys.stdout.write("  已下载:%.3f%%" % float(i / dl.nums) + '\r')
        sys.stdout.flush()
    print('《三寸人间》下载完成')

原作者写的是爬取2017年的小说，两年后这个倒版网站依然存在，可见其生命力顽强。