Python爬虫层层递进,从爬取一章小说到爬取全站小说
很多好看的小说只能看不能下载,教你怎么爬取一个网站的所有小说
知识点:
- requests
- xpath
- 全站小说爬取思路
开发环境:
- 版 本:anaconda5.2.0(python3.6.5)
- 编辑器:pycharm
第三方库:
- requests
- parsel
进行网页分析
目标站点:
- 开发者工具的使用
- network
- element
爬取一章小说
- requests库的使用(请求网页数据)
- 对请求网页数据步骤进行封装
- css选择器的使用(解析网页数据)
- 操作文件(数据持久化)
-- coding: utf-8 --
import requests
import parsel
“”“爬取一章小说”""
请求网页数据
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36’
}
response = requests.get(‘http://www.shuquge.com/txt/8659/2324752.html’, headers=headers)
response.encoding = response.apparent_encoding
html = response.text
print(html)
从网页中提取内容
sel = parsel.Selector(html)
title = sel.css(’.content h1::text’).extract_first()
contents = sel.css(’#content::text’).extract()
contents2 = []
for content in contents:
contents2.append(content.strip())
print(contents)
print(contents2)
print("\n".join(contents2))
将内容写入文本
with open(title+’.txt’, mode=‘w’, encoding=‘utf-8’) as f:
f.write("\n".join(contents2))
爬取一本小说
- 对爬虫进行重构
- 需要爬取很多章小说,最笨的方法是直接使用 for 循环。
- 爬取索引页
- 需要爬取所有的章节,只要获取每一章的网址就行了。
import requests
import parsel
“”“获取网页源代码”""
模拟浏览器发送请求
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36’
}
def download_one_chapter(target_url):
需要请求的网址
target_url = ‘http://www.shuquge.com/txt/8659/2324753.html’
response 服务返回的内容 对象
pycharm ctrl+鼠标左键
response = requests.get(target_url, headers=headers)
解码 万能解码
response.encoding = response.apparent_encoding
文字方法 获取网页文字内容
print(response.text)
字符串
html = response.text
“”“从网页源代码里面拿到信息”""
使用parsel 把字符串变成对象
sel = parsel.Selector(html)
scrapy
extract 提取标签的内容
伪类选择器(选择属性) css选择器(选择标签)
提取第一个内容
title = sel.css(’.content h1::text’).extract_first()
提取所有的内容
contents = sel.css(’#content::text’).extract()
print(title)
print(contents)
“”" 数据清除 清除空白字符串 “”"
contents1 = []
for content in contents:
# 去除两端空白字符
# 字符串的操作 列表的操作
contents1.append(content.strip())
print(contents1)
列表推导式
contents1 = [content.strip() for content in contents]
print(contents1)
把列表编程字符串
text = ‘\n’.join(contents1)
print(text)
“”“保存小说内容”""
open 操作文件(写入、读取)
file = open(title + ‘.txt’, mode=‘w’, encoding=‘utf-8’)
只能写入字符串
file.write(title)
file.write(text)
关闭文件
file.close()
传入一本小说的目录
def get_book_links(book_url):
response = requests.get(book_url)
response.encoding = response.apparent_encoding
html = response.text
sel = parsel.Selector(html)
links = sel.css(‘dd a::attr(href)’).extract()
return links
下载一本小说
def get_one_book(book_url):
links = get_book_links(book_url)
for link in links:
print(‘http://www.shuquge.com/txt/8659/’ + link)
download_one_chapter(‘http://www.shuquge.com/txt/8659/’ + link)
if name == ‘main’:
在学习过程中有什么不懂得可以加我的
python学习交流扣扣qun,784758214
群里有不错的学习****、开发工具与电子书籍。
与你分享python企业当下人才需求及怎么从零基础学习好python,和学习什么内容
target_url = ‘http://www.shuquge.com/txt/8659/2324754.html’
# 关键词参数与位置参数
download_one_chapter(target_url=target_url)
下载别的小说 直接换url
book_url = ‘http://www.shuquge.com/txt/8659/index.html’
get_one_book(book_url)
爬取全站小说
- 爬取索引页
- 需要爬取所有的小说,只要获取每一本书的索引页就行了