前言
本文章将通过分析爬虫的思想，再加以利用两个 Python 库，即 requests 库和 re 库，让你顺利入门爬虫，通过本篇文章，你将学会:
- 独立做出爬取小说的爬虫
- 利用Python取得所要信息
- 利用Python筛选出特定信息
如果你毫无 Python 基础，可以看看我亲自写的关于 Python 的基础专栏，这样子理解本文会更加轻松，当然你要是只想了解爬虫的过程，不关注具体的代码实现，那可以不用具备 Python 基础知识。
当今互联网实在是丰富多彩，网络上的Python教程更是数不胜数，我承认自己比不过那些大V，但是我认为自己的教程的优势是：通俗易懂，贴近初学者的水平。
背景：看小说的时候虽然能免费阅读小说内容，但是因为弹窗广告的存在，阅读体验不佳。
作为一个资深小说控，我学会 Python
爬虫之前每天必做的事便是打开手机或者电脑，进入小说网站，然后再打开我喜欢看的小说，小说是免费的，但是俗话说便宜没好货，我们在享受便宜的同时，也在牺牲一部分。
比如说我看小说的时候会被广告弹框所干扰，这让我的阅读体验不佳，既然有了问题，那我们便想着去解决，所以我一开始的解决方式是给浏览器安装去广告插件，这么一做之后体验的确好了不少，但是如果是手机端，我则无法使用这个方法，并且去广告插件也不是万能的。
那么，还有什么解决方式吗？
答案是肯定的！
解决方式
现在有请我们今天的主角登场，它就是大名鼎鼎的 Python！
你一定很好奇，Python 是怎么解决这个问题的吧？
且听我慢慢道来…
思路分析: 对症下药
症：看小说的时候会被弹框广告干扰
找到了症，那接下来自然是对症下药了，且再听我慢慢道来。既然广告对阅读有干扰，那么我们自然想
到把广告去除，关键是不能用广告去除插件，那怎么办呢？ 这个问题问的好，其实我们可以换个角度思考问题
你看我们的目的是获得没有广告的阅读界面，这时候很多人想到的是直接把广告去除 的确如此，但是现在无法使用去广告插件，所以此路不通。
这时候不要轻言放弃，要记住条条大路通罗马。我们可以换个角度思考 既然你广告不走，那我小说文字就走呗，这不就实现广告与纯文字分离了吗？
通过以上分析，我们找到了药！
药：把小说文字内容从小说所在地方提取出来
所以
是时候对症下药了，那么这个药是怎么制成的呢？且再听我慢慢道来！
预备知识
说明：不了解没关系，本文附有相关链接供你学习，代码实战部分也会讲解基本用法
- requests 库
如果把requests 库比作一个人，那么它的主要工作便是取货
库的安装方法：打开命令行（cmd、terminal），运行下面的代码
pip install requests
然后等待安装完成，出现 successfully 说明安装成功。
- re 库
如果把re库比作一个人，那么它的主要工作便是从给定信息中提取出特定信息
实战部分
爬虫，说白了就是利用技术去获取位于网络上的信息，就像你要找一本书一样，你若想找到书，就得知道它的位置，在网络中，信息的位置被称为 URL
URL 标记着信息的位置，故此，我们要想获得想要的信息们需要知道信息的 URL，那么我们怎么获得 URL 的呢？凭空臆想自然是不行的咯！虽然可能成功，但成功概率非常低！
说到获取 URL 就不得不谈到 ’归纳推理‘这一方法，它与人类的发展息息相关，因为人类可以通过归纳，在大量的基本数据支持下，合理地归纳出某个事物的特点。
例如
通过观察人类的行走方式，可以归纳出人类具有直立行走的特点
那归纳推理在爬虫中是怎么应用的呢？
我们不妨回忆以下看小说的部分流程
- 打开小说网站
- 点击要看的书籍并进入章节目录
- 点开具体章节开始小说正文的阅读
这是一个通用流程，下面我们来具体化流程
1.打开笔趣阁（ http://www.xbiquge.la）
2.点击小说《三寸人间》( http://www.xbiquge.la/10/10489/)并看到章节目录
3.点击第一章 “我要减肥”（ http://www.xbiquge.la/10/10489/4535761.html ）开始阅读
你一定会想，这哪有体现归纳推理呢？
别急，且再听我慢慢道来，归纳推理是建立在样本足够多的基础上，上面我给的小说章节 URL 还不够多，所以我再给几个:
第一章小说地址:http://www.xbiquge.la/10/10489/4535761.html
第二章小说地址:http://www.xbiquge.la/10/10489/9683462.html
第三章小说地址:http://www.xbiquge.la/10/10489/9687224.html
3 个或许不算多，但我相信以你的冰雪聪明，一定已经发现这 3 个 地址的共性了吧？ 好，接下来让我们 求同存异
同：
http://www.xbiquge.la/10/10489/
异：
4535761.html
9683462.html
9687224.html
所以如果我们用 x 来代表小说章节 URL 的共性，y 代表不同点，z 代表小说章节完整 URL 那么应该有：
z=x+y
x 我们已经知道了，所以要求 z，当然是要去求 y，那么 y 是怎么求的呢？ 这就用到我们的 requests 库了，它在本文的爬虫中的作用是向某个地址发送请求（就像你用浏览器打开网页那样，只不过没有图形界面和一些动态元素),然后获得相关信息。
打个比方
requests是一个人，它具有取货的能力，如果你告诉它货物所在地址，它可以帮你去把货物取回来，取货物用到 的方法是 get 或许你还不理解，没关系，下面有相应的解释
回到求解 y 的问题，求解 y 得知道它在哪里对吧？
那么 y 在哪里呢？
我们回忆一下看小说的第 2 步，即
点击要看的书籍并进入章节目录
这一步骤中，如果我们点击章节目录中的任意章节，我们很快就能看到小说内容
做出猜想
小说章节这一货物的地址存放在小说目录这个仓库中
那怎么验证猜想的正确性呢？
当然是使用我们的 requests 库咯！
获取章节地址的思路
通过requests这个人访问小说总目录这一大仓库，然后从仓库中取货，这样便得到小说章节地址这些货物
请看代码
#导入requests这个人，让他帮我们取货
import requests
#这是书籍的地址
book_url='http://www.xbiquge.la/10/10489/'
#通过requests库的get方法向小说目录地址发送请求，即让requests这个人去book_url这个地址取货
response_1=requests.get(book_url)
#设定编码，因为网址用 utf-8 编码，不然会导致中文显示乱码
#通俗地说那就是requests这个人与仓库语言不同，沟通有障碍，所以通过 encoding这个方法来同化沟通语言
response_1.encoding='utf-8'
#输出货物部分信息
print(response_1.text)
#部分结果
'''
<dd><a href='/10/10489/4534454.html' >写在连载前</a></dd>
<dd><a href='/10/10489/4535761.html' >第一章 我要减肥！</a></dd>
<dd><a href='/10/10489/9683462.html' >第二章 王宝乐，你干了什么！</a></dd>
<dd><a href='/10/10489/9687224.html' >第三章 好同学，一切有我！</a></dd>
'''
仔细看我们便发现 y 隐藏在形如下面的文本中
<dd><a href='/10/10489/4535761.html' >
所以我们找到了y所在位置，验证前面的猜想的正确性！
接下来要做的便是把它揪出来，那怎么把它揪出来呢？这就轮到我们的re库登场了！
re库的简略介绍
re也是一个人。它的工作是审阅信息，而如果你要叫它帮你办事，你需要知道怎么和它沟通，它有 自己的语言，明白它的语言之后才能给它分配任务
下面简略介绍它的语言: 符号 . 对于我们而言是一个单纯的英文句号，但在re这个人的认知里，它代表着任意符号（除了换行符） 符号 *
对于我们而言是一个单纯的星号，但在re这个人的认知里，它代表着任意多个字符 例如 : 你好* 上面的三个字符对于re这个人而言，它的理解有：
你 你好 你好好 你好好好 … 这下子你明白了吧？ 符号 () 对于我们而言是单纯的括号，而在re这个人的认知里，它的作用是吧
()里面的内容包围起来， 下面会有实例介绍 注： (.*?) 这个表达式可以匹配任意文本，后面会多次涉及
请看编写正则表达式的代码:
#匹配形如 /10/10489/9683462.html 的内容的正则表达式
regx="<dd><a href='(.*)' >"
chapter_href_list=re.findall(regx,response_1.text)
'''
函数使用说明，re是个人，通过 .这个符号可以找到它具有的能力，.后面的findall表示筛选信息这个能力
要使用findall这个能力，我们需要在括号里面的第一个参数位置填写筛选的方法，即正则表达式，第二个参数
是筛选的信息来源，这里的信息来源 response_1.text是requests这个人去小说章节总目录这个仓库中提取到
的货物
'''
print(chapter_href_list)
#部分结果
'''
['/10/10489/4535761.html',
'/10/10489/9683462.html',
'/10/10489/9687224.html']
'''
#可以看到，匹配结果是列表类型
接下来是求解z的方法，即拼接小说具体章节URL
您瞧
#定义一个列表来存储小说章节地址
chapter_url_list=[]
#用于后面拼接小说章节地址
base_url='http://www.xbiquge.la
#遍历 chapter)href)list 中的所有元素并与 base_url 一起拼接成小说地址
for i in chapter_href_list:
#这一部分即 z=x+y
url=base_url+i
'''
print(url)
下面是 print 之后的一个结果
http://www.xbiquge.la/10/10489/4535761.html
'''
chapter_url_list.appeend(url)
#就这样，我们把所有章节的地址存进了 chapter_url_list 这个列表里面
下面是时候通过编写正则表达式来获取小说的内容和标题了，代码如下:
#以下是提取正文内容的正则表达式，是通过分析小说内容特点的源码来写的
content_regx='<br /> (.*?)<br />'
'''
小说部分内容如下，
<br /> 好在随着他的苏醒，名叫周小雅的小白兔对他照顾无微不至，杜敏也罕见的没有与他针锋相对，这就让
<br /> 他唯独郁闷的，就是在之后的几天里，团队众人穿梭丛林，寻找其他同学的路上，柳道斌也不知道吃错了什么药，也许是因为之前的事情愧疚，所以一路上遇到一些小危机，总是抢着带人出手，迅速化解，使得本就虚弱的王宝乐，没有丝毫
<br /> 偏偏又没有出现如蛇群那般大的事件，这就让王宝乐觉得自己一身通天的本领，却没有用武之地，满是
<br /> “这柳道斌再这么下去，说不定隐藏的考核分，就比我高了！”到了最后，王宝乐都焦急了，不过这种
'''
#内容特点分析
'''
我们很容易观察到文字都包含在 <br /> 和<br />之间，故可以用 (.*?)
来代表文字内容，其中 . 代表任意字符(除了换行)， * 代表任意多个字符, ?代表非贪婪匹配， ()是为了将内容包含
内容起来，使匹配结果仅包含括号里面的内容，而不包含 <br />  这类符号 ，
你可以试着把()去掉，进行匹配结果对比
'''
'''
这是小说章节名称所在位置
<h1>正文卷 第三章 好同学，一切有我！</h1>
'''
#所以匹配出小说章节标题的正则表达式如下
title_regx='<h1>(.*?)</h1>'
#括号里面表示小说的章节标题，匹配到的结果是只含有一个元素的列表
最后，通过 requests
这个人拿着货物（小说章节）地址去提货，然后叫re这个审阅筛选人员从提取到的货物中筛选出所要信息并写入文件。
写入文件的方法
# 文件存储路径
save_path = '名称.txt'
# 打开文件
with open(save_path, 'a+') as f:
# 写入文件
f.write('测试')
# 关闭文件
f.close()
'''
通过以上代码，你将在代码文件运行目录创建一个叫做 名称.txt 的文件并把 测试 这两个字写入文件中，其中 'a+'
代表写入模式，即如果文件不存在则创建，并且内容一律添加到文件结尾，不覆盖已有内容。
'''
上面是一个代码片段，如需详细了解怎么使用 Python 操作文件，可以参考我写的教程
以下是爬取小说的完整代码（会出现漏爬的情况，再下面还有一份不会漏的）
import requests #导入用于发送请求的库
import re #导入筛选出小说内容的库
#小说地址，包含章节目录的信息
book_url = 'http://www.xbiquge.la/10/10489/'
#用于后面拼接小说章节地址
base_url='http://www.xbiquge.la'
'''
第一章小说地址:http://www.xbiquge.la/10/10489/4535761.html
第二章小说地址:http://www.xbiquge.la/10/10489/9683462.html
第三章小说地址:http://www.xbiquge.la/10/10489/9687224.html
'''
#response_1 是通过 requests 库 get 方法向小说网址发出请求之后得到的响应，而 response_1.text 表示纯文本
response_1=requests.get(book_url)
#下面一步骤是设置编码格式，因为小说采用 utf-8 编码，一般遇到乱码可以用下面一句代码来解决
response_1.encoding='utf-8'
#小说章节目录相关信息所在的文本
chapter=response_1.text
#下面的一段注释是 response_1.text 的部分内容
'''
<dd><a href='/10/10489/4534454.html' >写在连载前</a></dd>
<dd><a href='/10/10489/4535761.html' >第一章 我要减肥！</a></dd>
<dd><a href='/10/10489/9683462.html' >第二章 王宝乐，你干了什么！</a></dd>
<dd><a href='/10/10489/9687224.html' >第三章 好同学，一切有我！</a></dd>
'''
regx="<dd><a href='(.*)' >"
#该正则表达是获取形如 /10/10489/9683462.html 格式的文本，用于后期拼接成小说具体章节地址
chapter_href_list=re.findall(regx, response_1.text)
#定义一个列表来存储小说章节地址
chapter_url_list=[]
#遍历 chapter)href)list 中的所有元素并与 base_url 一起拼接成小说地址
for i in chapter_href_list:
url=base_url+i
chapter_url_list.append(url)
#以下是提取正文内容的正则表达式，是通过分析小说内容特点的源码来写的
content_regx='<br /> (.*?)<br />'
'''小说部分内容如下，
<br /> 好在随着他的苏醒，名叫周小雅的小白兔对他照顾无微不至，杜敏也罕见的没有与他针锋相对，这就让
<br /> 他唯独郁闷的，就是在之后的几天里，团队众人穿梭丛林，寻找其他同学的路上，柳道斌也不知道吃错了什么药，也许是因为之前的事情愧疚，所以一路上遇到一些小危机，总是抢着带人出手，迅速化解，使得本就虚弱的王宝乐，没有丝毫
<br /> 偏偏又没有出现如蛇群那般大的事件，这就让王宝乐觉得自己一身通天的本领，却没有用武之地，满是
<br /> “这柳道斌再这么下去，说不定隐藏的考核分，就比我高了！”到了最后，王宝乐都焦急了，不过这种
'''
#内容特点分析
'''
我们很容易观察到文字都包含在 <br /> 和<br />之间，故可以用 (.*?)
来代表文字内容，其中 . 代表任意字符(除了换行)， * 代表任意多个字符, ?代表非贪婪匹配， ()是为了将内容包含
起来，使匹配结果仅包含括号里面的内容
'''
'''
这是小说章节名称所在位置
<h1>正文卷 第三章 好同学，一切有我！</h1>
'''
#所以匹配出小说章节标题的正则表达式如下
title_regx='<h1>(.*?)</h1>'
#设置小说保存路径
##如果爬取的时候出现permission deny，请修改下面的sava_path,例如可以直接修改为 save_path="三寸人间.txt"
#这样以后爬取的小说会与Python文件保存在同一个路径
save_path='三寸人间.txt'
#定义一个变量来计数已经爬取的小说的数目
count=0
##如果爬取的时候出现permission deny，请修改上面的sava_path,例如可以直接修改为 save_path="三寸人间.txt"
#这样以后爬取的小说会与Python文件保存在同一个路径
#with open 语句的作用是在 C 盘创建一个叫做三寸人间.txt 的文件，'a+'表示文件以追加的形式写入，
#encoding="utf-8"是为了防止写入错误
with open (save_path,'a+',encoding="utf-8") as f:
#从存放小说章节地址的列表中依次去除小说地址，让requests通过get方法去取货
for x in chapter_url_list:
#向小说章节所在地址发送请求并获得响应
response_2=requests.get(x)
#设定编码，解决乱码
response_2.encoding='utf-8'
#小说标题,匹配到的是列表
title=re.findall(title_regx, response_2.text)
#正文内容，匹配到的是列表
content=re.findall(content_regx, response_2.text)
#写入小说标题
f.write('--------'+title[0]+'--------'+'\n')
#将小说内容这个列表中的所有元素写入文件，每写入一个就换一次行
for e in content:
f.write(e+'\n')
#每成功写入一章 count 就加 1
count+=1
# format函数用于格式化输出
print('第{}章爬取完毕！'.format(count))
最后
另外怕大家不会使用，直接给大家准备了写好的，直接下载打开即可使用！
源码放在百度云盘上了需要可以微信扫描下方优快云官方认证二维码免费领取
4287
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
