使用Python3爬虫抓取小说

最新推荐文章于 2024-11-26 23:38:47 发布

一阵清风吹我心

最新推荐文章于 2024-11-26 23:38:47 发布

阅读量433

点赞数 2

分类专栏： python 文章标签：爬虫 python

本文链接：https://blog.youkuaiyun.com/java_oss/article/details/103822711

版权

python 专栏收录该内容

1 篇文章

订阅专栏

声明：本文只作为技术交流，看小说，请支持正版。

初试使用python自动抓取小说，由于看到同事ui妹子用手机看小说时总是用手机遮住上半部分在看（还以为在看什么见不得人的东西呢，了解后发现是很多小说网站为了盈利头发的广告都是让人看了比较脸红的广告。。。。）

爬取指南

实现步骤

获取小说所有章节以及对应地址
遍历所有章节地址，获取其标题以及内容
最后，把内容写入文本

1. 获取我们相看的小说的地址

这次是拿 114中文网https://www.114zw.la/这个网站试试手

选一个自己相看的小说，我这里选择《医婿》作为例子，地址：https://www.114zw.la/book/9237/

在上图看到小说的所有章节都在上面，我们首先获取所有章节的地址，在上面页面点击右键查看网页源代码如下：

鼠标滑动到下面我们就能看到有个div标签里面全是每一章节的地址，这里我们留意一下框出来的div标签，可以看一下所有的这个小说的章节地址都包含在了

下面直接贴代码：

# 导入requests库
import requests
# 导入文件操作库
import codecs
from bs4 import BeautifulSoup
import sys
import importlib
importlib.reload(sys)


# 给请求指定一个请求头来模拟chrome浏览器
global headers
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
server = 'https://www.114zw.la/book/9237/'
# 星辰变地址
book = 'https://www.114zw.la/book/9237/'
# 定义存储位置
global save_path
save_path = 'G:/医婿叶凡'


# 获取章节内容
def get_contents(chapter):
    req = requests.get(url=chapter)
    html = req.content
    html_doc = str(html, 'gbk')
    bf = BeautifulSoup(html_doc, 'html.parser')
    texts = bf.find_all('div', id="content")
    # 获取div标签id属性content的内容 \xa0 是不间断空白符 &nbsp;
    content = texts[0].text.replace('\xa0' * 4, '\n')
    return content


# 写入文件
def write_txt(chapter, content, code):
    with codecs.open(chapter, 'a', encoding=code)as f:
        f.write(content)

# 主方法
def main():
    res = requests.get(book, headers=headers)
    html = res.content
    html_doc = str(html, 'gbk')
    # 使用自带的html.parser解析
    soup = BeautifulSoup(html_doc, 'html.parser')
    print(soup.prettify())
    # 获取所有的章节,这里就是我们上面从网页源代码里面找到的div
    a = soup.find('div', id='list-chapterAll').find_all('a')
    print('总章节数: %d ' % len(a))
    for each in a:
        try:
            chapter = server + each.get('href')
            content = get_contents(chapter)
            chapter = save_path + "/" + each.string + ".txt"
            write_txt(chapter, content, 'utf8')
        except Exception as e:
            print(e)


if __name__ == '__main__':
    main()

以上代码能成功运行爬取数据，这里没处理一章有两页的情况，其实都是有规律的就是_2就是第二页，实例我就不做处理，有兴趣的小伙伴可以自己处理一下