码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬取笔趣阁小说,有趣又实用

时间:2021-04-22 16:03:13      阅读:0      评论:0      收藏:0      [点我收藏+]

标签:请求   目的   oss   awd   包含   导致   print   http   失败   

上班想摸鱼?为了摸鱼方便,今天自己写了个爬取笔阁小说的程序。好吧,其实就是找个目的学习python,分享一下。

1. 首先导入相关的模块

import os
import requests
from bs4 import BeautifulSoup

2. 向网站发送请求并获取网站数据

技术图片

网站链接最后的一位数字为一本书的id值,一个数字对应一本小说,我们以id为1的小说为示例。
进入到网站之后,我们发现有一个章节列表,那么我们首先完成对小说列表名称的抓取

# 声明请求头
headers = {
	‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36‘
}

# 创建保存小说文本的文件夹
if not os.path.exists(‘./小说‘):
    os.mkdir(‘./小说/‘)
    
# 访问网站并获取页面数据
response = requests.get(‘http://www.biquw.com/book/1/‘).text
print(response)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Uu2ddyQB-1618914957232)(.\素材图片\中文显示乱码.png)]

写到这个地方同学们可能会发现了一个问题,当我去正常访问网站的时候为什么返回回来的数据是乱码呢?

这是因为页面html的编码格式与我们python访问并拿到数据的解码格式不一致导致的,python默认的解码方式为utf-8,但是页面编码可能是GBK或者是GB2312等,所以我们需要让python代码很具页面的解码方式自动变化

#### 重新编写访问代码
```python
response = requests.get(‘http://www.biquw.com/book/1/‘)
response.encoding = response.apparent_encoding
print(response.text)

‘‘‘
这种方式返回的中文数据才是正确的
‘‘‘

3. 拿到页面数据之后对数据进行提取

当大家通过正确的解码方式拿到页面数据之后,接下来需要完成静态页面分析了。我们需要从整个网页数据中拿到我们想要的数据(章节列表数据)

  1. 首先打开浏览器
  2. 按F12调出开发者工具
  3. 选中元素选择器
  4. 在页面中选中我们想要的数据并定位元素
  5. 观察数据所存在的元素标签
    技术图片
‘‘‘
根据上图所示,数据是保存在a标签当中的。a的父标签为li,li的父标签为ul标签,ul标签之上为div标签。所以如果想要获取整个页面的小说章节数据,那么需要先获取div标签。并且div标签中包含了class属性,我们可以通过class属性获取指定的div标签,详情看代码~
‘‘‘
# lxml: html解析库 将html代码转成python对象,python可以对html代码进行控制
soup = BeautifulSoup(response.text, ‘lxml‘)
book_list = soup.find(‘div‘, class_=‘book_list‘).find_all(‘a‘)
# soup对象获取批量数据后返回的是一个列表,我们可以对列表进行迭代提取
for book in book_list:
    book_name = book.text
    # 获取到列表数据之后,需要获取文章详情页的链接,链接在a标签的href属性中
    book_url = book[‘href‘]

4. 获取到小说详情页链接之后进行详情页二次访问并获取文章数据

book_info_html = requests.get(‘http://www.biquw.com/book/1/‘ + book_url, headers=headers)
book_info_html.encoding = book_info_html.apparent_encoding
soup = BeautifulSoup(book_info_html.text, ‘lxml‘)

5. 对小说详情页进行静态页面分析

技术图片

info = soup.find(‘div‘, id=‘htmlContent‘)
print(info.text)

6. 数据下载

with open(‘./小说/‘ + book_name + ‘.txt‘, ‘a‘, encoding=‘utf-8‘) as f:
    f.write(info.text)

最后让我们看一下代码效果吧~

技术图片

抓取的数据

技术图片
技术图片

技术图片
文章正文到这里已经结束了,只是想感谢一些阅读我文章的人。

我退休后一直在学习如何写文章,说实在的,每次我在后台看到一些读者的回应就会觉得很欣慰,于是我想把我收藏的一些编程干货贡献给大家,回馈每一个读者,希望能帮到你们。

干货主要有:

 2000多本Python电子书(主流和经典的书籍应该都有了)

 Python标准库资料(最全中文版)

 项目源码(四五十个有趣且经典的练手项目及源码)

 Python基础入门视频等等(适合小白学习)

*如果你用得到的话可以直接拿走,在我的QQ技术交流群里(广告勿入)可以自助拿走,群号是980758007。*

技术图片

Python爬取笔趣阁小说,有趣又实用

标签:请求   目的   oss   awd   包含   导致   print   http   失败   

原文地址:https://www.cnblogs.com/liangchen001/p/14686408.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!