码迷,mamicode.com
首页 > 其他好文 > 详细

40行代码爬取金庸所有武侠小说

时间:2017-12-18 18:39:18      阅读:227      评论:0      收藏:0      [点我收藏+]

标签:range   txt   exce   完整性   decode   下载   find   技术分享   技术   

  我们今天来用Python爬虫爬取金庸所有的武侠小说,网址为:http://jinyong.zuopinj.com/,网页如下:

技术分享图片

  Python代码如下:

 1 # -*- coding: utf-8 -*-
 2 import urllib.request  
 3 from bs4 import BeautifulSoup
 4 
 5 #get book‘s chapter
 6 def get_chapter(url):
 7     html = urllib.request.urlopen(url)  
 8     content = html.read().decode(utf8)
 9     html.close()
10     soup = BeautifulSoup(content, "lxml")
11     title = soup.find(h1).text    #chapter title
12     text = soup.find(div, id=htmlContent)    #chapter content
13     #processing the content to get nice style
14     content = text.get_text(\n,br/).replace(\n, \n    )
15     content = content.replace(  , \n  )
16     return title,     +content
17         
18 def main():
19     books = [射雕英雄传,天龙八部,鹿鼎记,神雕侠侣,笑傲江湖,碧血剑,倚天屠龙记,20              飞狐外传,书剑恩仇录,连城诀,侠客行,越女剑,鸳鸯刀,白马啸西风,21              雪山飞狐]
22     order = [1,2,3,4,5,6,7,8,10,11,12,14,15,13,9]  #order of books to scrapy
23     #list to store each book‘s scrapying range
24     page_range = [1,43,94,145,185,225,248,289,309,329,341,362,363,364,375,385]
25 
26     for i,book in enumerate(books):
27         for num in range(page_range[i],page_range[i+1]):
28             url = "http://jinyong.zuopinj.com/%s/%s.html"%(order[i],num)
29             try:
30                 title, chapter = get_chapter(url)
31                 with open(E://%s.txt%book, a, encoding=gb18030) as f:
32                     print(book+:+title+-->写入成功!)
33                     f.write(title+\n\n\n)
34                     f.write(chapter+\n\n\n)
35             except Exception as e:
36                 print(e) 
37     print(全部写入完毕!)
38 
39 main()

 

 

  运行结果如下:

技术分享图片

上面的运行结果“HTTP Error 404: Not Found”是因为这个网页不存在,并不影响书本内容的完整性。我们可以去E盘查看文件是否下载成功:

技术分享图片

·  15本书都下载完毕了!整个过程才用了不到10分钟!爬虫的力量真是伟大啊~~

 

40行代码爬取金庸所有武侠小说

标签:range   txt   exce   完整性   decode   下载   find   技术分享   技术   

原文地址:http://www.cnblogs.com/jclian91/p/8058636.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!