——>>python小白一枚,仅限于了解基础语法,经过多天的学习,结果令人欣慰,可以正确的输出"Hello world!!"。
本人从来不看小说,为了看看学习效果,自己找了个网站练练手,在经过小半年的分析后,终于成功爬取了非会员的部分,会员部分不知道要怎么搞,难道要开个会员然后加上cookie,咱也不知道,咱也不敢问。虽然不能爬取会员部分,主要的是分析过程。
获取文章内容,首先要获取每一篇文章的地址,这个很容易就想到去目录里找,将网页改为手机版,点击目录。
获取到目录之后,就完成了一半了,之前跟着视频做,network下点了XHR,咱也不知道这是啥,结果分析的时候点啥也不出响应。
分析一下每篇文章的url,发现变化的只有 chapterId,但是好像没什么规律,分析目录的json数据,解析一下,发现里面包含了每篇文章的id,其目录为["data"]["vs"][1]["cs"][i]["id"]
这样分析就完成了。
首先第一步,请求目录,获取每篇文章的id,构造每篇文章的地址,遍历每个地址,保存。
保存方式请忽略,拿到数据也不知道怎么解析,直接最原始的方式,拿出文本,碰到空格换行,没眼看没眼看。
import requests
import time
import json
from retrying import retry
import re
from bs4 import BeautifulSoup
headers = {
"User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Mobile Safari/537.36",
"Referer": "https://m.qidian.com/book/1209977/23204630"
}
@retry(stop_max_attempt_number=3)
def _parse_url(url):
response = requests.get(url, headers=headers, timeout=5)
return response.content.decode()
def parse_url(url):
try:
html_str = _parse_url(url)
except:
html_str = None
return html_str
def Get_id_list(url):
response = requests.get(url, headers=headers)
html_str = response.content.decode()
dict_data = json.loads(html_str)
# print(dict_data)
# with open("catalog.txt", "w", encoding='utf-8') as f:
# f.write(json.dumps(dict_data, ensure_ascii=False, indent=2))
id_list = []
for i in range(0, 90):
id_list.append(dict_data["data"]["vs"][1]["cs"][i]["id"])
return id_list
class Spider:
def __init__(self):
self.temp_url = "https://m.qidian.com/majax/chapter/getChapterInfo?_csrfToken=Oh1r2d6OnPWIlOygK89bO4vMfoShqLABMX5Fhuz3&bookId=1209977&chapterId={}"
def Get_content(self, html_str):
dict_data = json.loads(html_str)
content_list = dict_data["data"]["chapterInfo"]["content"]
#print(dict_data["data"]["chapterInfo"]["content"])
title = dict_data["data"]["chapterInfo"]["chapterName"]
#print(total)
#with open("content.txt", "w", encoding='utf-8') as f:
# f.write(json.dumps(dict_data, ensure_ascii=False, indent=2))
return content_list, title
def Save_content(self, content_list, name):
#print(content_list[1])
with open("novel/{}.txt".format(name), "w", encoding='utf-8') as f:
f.write("\t\t\t\t\t\t\t\t\t\t" + content_list[1] + "\n",)
soup = BeautifulSoup(content_list[0], 'html.parser')
for item in soup.get_text():
if item == " ":
f.write("\n")
f.write(item)
f.close()
def __mainloop__(self,id_list):
#print(id_list[0])
for i in range(0, 10):
url = self.temp_url.format(id_list[i])
print(url)
html_str = _parse_url(url)
content_list = self.Get_content(html_str)
self.Save_content(content_list, content_list[1])
print(content_list[1], "已成功")
if __name__ == '__main__':
url = "https://m.qidian.com/majax/book/category?_csrfToken =Oh1r2d6OnPWIlOygK89bO4vMfoShqLABMX5Fhuz3&bookId=1209977"
id_list = Get_id_list(url)
spider = Spider()
spider.__mainloop__(id_list)