Python爬蟲—爬取小說名著
週末閒來無事,本來想看一看書的,結果也沒看進去(RNG輸的我真是糟心。。。)
於是就用python寫了一個爬蟲,來爬取小說來看,防止下次還要去網上找書看。
我們先找一個看名著的小說網
我們開啟http://www.mingzhuxiaoshuo.com/ 名著小說網來,首先看到的是這樣的
我們如上圖選一個大家耳熟能詳的書,《富爸爸窮爸爸》,我們點開來,點選線上閱讀
出現了這本書的目錄,http://www.mingzhuxiaoshuo.com/waiguo/154/,這個url是我們首先爬取的網頁,我們先將每一章節的url爬取出來。
我們打穀歌的開發工具 F12,去找本網站的目錄規律
我們發現每一個目錄都有一個href,我們點開了一章,檢視他的url,發現是這樣的,如下圖http://www.mingzhuxiaoshuo.com/waiguo/154/4857.Html。
我們結合上面的一系列目錄,尋找規律。可以確認的每一章的url = www.mingzhuxiaoshuo.com + 目錄的href
我們於是可以開始寫程式碼了
# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests """ 說明:下載《窮爸爸富爸爸》 Modify: 2018-10-20,星期六 Author: ligz """ if __name__ == '__main__': server_url = 'http://www.mingzhuxiaoshuo.com' target_url = 'http://www.mingzhuxiaoshuo.com/waiguo/154/' req = requests.get(url = target_url) html = req.text.encode("latin1").decode("gbk") bf = BeautifulSoup(html,'lxml') texts = bf.find_all('div', 'list') bf_a = BeautifulSoup(str(texts),'lxml') a = bf_a.find_all('a') for i in a: print(i.string, server_url+i.get('href'))
我們執行程式碼可以看到,打印出來的是每一章節的目錄名字和對應的url。
這裡用的是
requests去獲取網頁的內容,和BeautifulSoup去對網頁的html提取資料
我們用requests.get(http://www.mingzhuxiaoshuo.com/waiguo/154/)請求小說目錄網頁的html
用BeautifulSoup去尋找了名字是 list 的div。
texts = bf.find_all('div', 'list')
去找 這個div下面的a標籤
a = bf_a.find_all('a')
我們已經成功了一半了,另一半當然是重頭戲——爬取每一章節的內容
我們點開序言http://www.mingzhuxiaoshuo.com/waiguo/154/4857.Html,開啟F12開發者工具,看到的html結構如下
我們發現我們需要的內容在class="width"的div下,於是我們學習上面的寫法,給大家演示一下。
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
"""
說明:下載《窮爸爸富爸爸》
Modify:
2018-10-20,星期六
Author:
ligz
"""
if __name__ == '__main__':
target = 'http://www.mingzhuxiaoshuo.com/waiguo/154/4857.Html'
req = requests.get(url = target)
html = req.text.encode("latin1").decode("gbk")
bf = BeautifulSoup(html,'lxml')
texts = bf.find_all('div', 'width')
bf_div = BeautifulSoup(str(texts),'lxml')
div = bf_div.find_all('div')
txt = ''
for i in div:
if i.string is not None:
txt = txt + i.string +'\n\n'
print(txt)
我們用BeautifulSoup尋找到上面class="width"的div,
texts = bf.find_all('div', 'width')
再講他作為一個html結構,再去尋找下面每一個div
div = bf_div.find_all('div')
執行程式,我們於是得到了整個序言的內容
我們得到了目錄url和每一個url下面的內容,我們就可以完成整個爬取的工作。
下面是完整的程式碼,執行即可爬取成功
from bs4 import BeautifulSoup
import requests, sys
"""
類說明:下載《窮爸爸富爸爸》
Modify:
2018-10-20,星期六
Author:
ligz
"""
class download(object):
def __init__(self):
self.server_url = 'http://www.mingzhuxiaoshuo.com'
self.target_url = 'http://www.mingzhuxiaoshuo.com/waiguo/154/'
self.names = []
self.urls = []
self.nums = 0
"""
獲取下載的連結
獲取目錄
"""
def download_url(self):
req = requests.get(url = self.target_url)
html = req.text.encode("latin1").decode("gbk")
bf = BeautifulSoup(html,'lxml')
texts = bf.find_all('div', 'list')
bf_a = BeautifulSoup(str(texts),'lxml')
a = bf_a.find_all('a')
self.nums = len(a)
for i in a:
self.names.append(i.string)
self.urls.append(self.server_url+i.get('href'))
"""
獲取每一章節的內容
"""
def download_content(self,target_url):
req = requests.get(url = target_url)
html = req.text.encode("latin1").decode("gbk")
bf = BeautifulSoup(html,'lxml')
texts = bf.find_all('div', class_='width')
bf_div = BeautifulSoup(str(texts),'lxml')
div = bf_div.find_all('div')
txt = ''
for i in div:
if i.string is not None:
txt = txt + i.string +'\n\n'
return txt
def writer(self, name, path, text):
write_flag = True
with open(path, 'a', encoding='utf-8') as f:
f.write(name + '\n')
f.writelines(text)
f.write('\n\n')
if __name__ == '__main__':
dl = download()
dl.download_url()
print("開始下載")
for i in range(dl.nums):
dl.writer(dl.names[i], '窮爸爸富爸爸.txt', dl.download_content(dl.urls[i]))
sys.stdout.write("已下載:%.3f%%" % float(i/dl.nums) + '\r')
sys.stdout.flush
print('已下載完成')
我們看到已經成功的爬取了整本書的內容
可以放到手機上下次有時間再看了
本文可以轉載,但需註明出處https://blog.csdn.net/qq_39071530/article/details/83276675