完全小白篇-使用Python爬取网络小说
一、找一个你要爬取的小说
作为python小白,这篇博客仅作为我的一个学习记录。
本篇我就拿一个实际案例来做吧,短短50行代码调试了一晚上,爬虫还得继续好好学啊!拿最近很火的《元龙》举例。
(采用读书网的资源)
二、分析网页
网页的展示方式
打开最开始的那章,按F12看一下网页代码,首先需要注意的地方无外乎两点:
- 从目录的网址后面添加了一个什么编号
- 这个网站的网页编码格式是什么(在head标签里都能找到)
- 各个章节之间具有怎样的跳转关系
跳转关系这一块,现在的小说网站已经不是按照章节+1编号也+1的方式了,所以我们可以考虑利用 a 标签里的 href="" 直接跳转 - 我们要提取的信息有着怎样的风格
在下图中我们可以看到,每章标题、正文等我们要爬取的东西全部在p标签中
非常简单的风格!(所以我才先选这个网站试手 /滑稽)
需要用到的库文件
在开始之前,先简单介绍一下这次使用到的库文件:
from bs4 import BeautifulSoup #网页解析,数据获取
from docx import Document #操作Word的.docx文档
import re #正则表达式,文字匹配
import requests #根据指定url获取网页数据
from requests.adapters import HTTPAdapter #设置重传时有用
import os #最后用来暂停一下
emm,如果有的苦还没有安装,那就pip就好了。
在任何一处cmd窗口下输入:
pip3 install Beautifulsoup4
pip3 install docx
pip3 install re
pip3 install requests
三、向网站发送请求
接下来我们开始一步步完善我们的思路:
def main():
#目录的网址
baseurl = input("请输入目录列表的那个网址(例如https://www.dusuu.com/ml/1033/)\n")
number = input("请打开该小说第一章,输入一下网址新增加的那个数字(例如2688178)\n")
#试手,先开一下第一章试试
url = baseurl+str(number)+".html"
#模拟浏览器身份头向对方发送消息,不过一般的小说网站没什么反爬机制,头的话可有可无
head = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36"}
print("已完成爬取的章节:")
req = requests.get(url = url, headers = head)
#上文我们已经看到是UTF-8的编码格式,这里照搬按此解析即可
req.encoding = 'UTF-8'
#解析得到网站的信息
soup = BeautifulSoup(req.text, 'html.parser')
print(soup)
os.system("pause")
if __name__ == "__main__":
main()
很好,使我们想要的结果。soup就是一模一样的这个网站的信息
四、正则提取
- 标题
提取方式:找到 div class=“bookname” 内部的 h1 标签内容 - 正文
提取方式:所有的 div id=“content” style=“font-size: 24px;” 内部的所有 p 标签
这里就要使用bs4库中的搜索函数find_all(),以及re库中的提取函数.findall()
我们首先搜索所有必要的item:
for item in soup.find_all('div',class_="bookname"):
item = str(item)
title = re.findall(findTitle, item)[0]
for item in soup.find_all('div',id="content"):
item = str(item)
end = re.findall(findEnd, item)
我们定义一下提取的方式:
#创建正则表达式对象,r是为了避免对'/'的错误解析
findTitle = re.compile(r'<h1>(.*?)</h1>',re.S)
findEnd = re.compile(r'<p>(.*?)</p>',re.S)
这样,便可以将标题和正文的内容全部提取出来了
五、跳转的逻辑
现在我们完全可以处理一个网页的信息了,那么如何跳转到别的章节呢?
利用a标签“下一章”的跳转链接即可
同样,还是
for item in soup.find_all('a',id="pager_next"):
item = str(item)
link = re.findall(findLink, item)[0]
url = "https://www.dusuu.com" + str(link)
正则对象(规则)为:
findLink = re.compile(r'<a class="next" href="(.*?)" id="pager_next" target="_top">下一章</a>')
六、后续处理
现在的代码段为:
from bs4 import BeautifulSoup #网页解析,数据获取
from docx import Document #操作Word的.docx文档
import re #正则表达式,文字匹配
import requests #根据指定url获取网页数据
from requests.adapters import HTTPAdapter #设置重传时有用
import os #最后用来暂停一下
findTitle = re.compile(r'<h1>(.*?)</h1>',re.S)
findEnd = re.compile(r'<p>(.*?)</p>',re.S)
findLink = re.compile(r'<a class="next" href="(.*?)" id="pager_next" target="_top">下一章</a>')
def main():
baseurl = input("请输入目录列表的那个网址(例如https://www.dusuu.com/ml/1033/)\n")
number = input("请打开该小说第一章,输入一下网址新增加的那个数字(例如2688178)\n")
url = baseurl+str(number)+".html"
link = ""
head = { #模拟浏览器身份头向对方发送消息
"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36"
}
print("已完成爬取的章节:")
#最后一章中,点击“下一章”会回到目录那里
while(link!="/ml/10942/"):
req = requests.get(url = url, headers = head)
req.encoding = 'UTF-8'
soup = BeautifulSoup(req.text, 'html.parser')
for item in soup.find_all('div',class_="bookname"):
item = str(item)
title = re.findall(findTitle, item)[0]
print(title)
for item in soup.find_all('div',id="content"):
item = str(item)
end = re.findall(findEnd, item)
#每章最后一句正文都是网站的广告,我们不要那个
for i in range(len(end)):
if(i==(len(end)-1)):
end[i]="\n"
print(end)
#跳转到下一页
for item in soup.find_all('a',id="pager_next"):
item = str(item)
link = re.findall(findLink, item)[0]
url = "https://www.dusuu.com" + str(link)
os.system("pause")
if __name__ == "__main__":
main()
程序本身已经完全可以将各个章节打印了
七、保存信息进入docx文件
其实每获得一次title,每获得一次end,就完全可以对一个docx文档进行写标题、写段落操作了
这里提示几个操作的docx文档的必要语法:
- 库函数:
from docx import Document
- 创建一个文档对象:
Doc = Document()
- 写标题操作:
Doc.add_heading(title, level = 0)
注意,level从0到5是一级标题–>六级标题 - 写段落操作:
Doc.add_paragraph()
八、新的问题:超时重传
在完成一系列操作后,我在运行时,前几章是完全没有问题的。然而,随着章节增加以及访问次数的增加,出现了一个新的问题:访问无限超时。可能是每个小说网站都存在这个问题,连续高频访问可能就会在某次访问突然“掉线”
查了很多方法,在这里总结一下各个比较通用的方法以及效果:
- 全局设置Socket超时时长:
在全局设置:
import socket
socket.setdefaulttimeout(time_len)
但是确实,效果不明显,当章节多了仍然会无限超时
-
设置DNS
比如,将本地的DNS优先设置为阿里的,或者腾讯、百度的公用DNS,效果是有的,但事实上是超时的出现减少了,当超时出现时仍然无法得到解决 -
超时重传
有点综合以上两种方法。查了很多,但是可能是需要一定基础的,诸如retry()等。
这里我采用了最基础的try:
首先增加一个库:from requests.adapters import HTTPAdapter
在我们的函数中,req这个变量进行一些新的设置:
req=requests.Session()
#访问https协议时,设置重传请求最多3次
req.mount('https://',HTTPAdapter(max_retries=3))
另外,对于req设置超时时长:
#5s的超时时长设置
req = requests.get(url = url, headers = head, timeout=5)
如果超时,打印错误:
except requests.exceptions.RequestException as e:
print(e)
总代码如下:
from bs4 import BeautifulSoup #网页解析,数据获取
from docx import Document
import os
import re #正则表达式,文字匹配
import requests
from requests.adapters import HTTPAdapter
findTitle = re.compile(r'<h1>(.*?)</h1>',re.S)
findEnd = re.compile(r'<p>(.*?)</p>',re.S)
findLink = re.compile(r'<a class="next" href="(.*?)" id="pager_next" target="_top">下一章</a>')
def main():
baseurl = input("请输入目录列表的那个网址(例如https://www.dusuu.com/ml/1033/)\n")
# https://www.dusuu.com/ml/10942/
Doc = Document()
number = input("请打开该小说第一章,输入一下网址新增加的那个数字(例如2688178)\n")
#2622647
savepath = "./"+input("请为你的docx文档命名:")+".docx"
url = baseurl+str(number)+".html"
link = ""
req=requests.Session()
req.mount('https://',HTTPAdapter(max_retries=3))
head = { #模拟浏览器身份头向对方发送消息
"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36"
}
print("已完成爬取的章节:")
while(link!="/ml/10942/"):
try:
req = requests.get(url = url, headers = head, timeout=5)
req.encoding = 'UTF-8'
soup = BeautifulSoup(req.text, 'html.parser')
for item in soup.find_all('div',class_="bookname"):
item = str(item)
title = re.findall(findTitle, item)[0]
print(title)
Doc.add_heading(title, level = 0)
for item in soup.find_all('div',id="content"):
item = str(item)
end = re.findall(findEnd, item)
for i in range(len(end)):
if(i==(len(end)-1)):
end[i]="\n"
Doc.add_paragraph(end[i])
Doc.save(savepath)
#跳转到下一页
for item in soup.find_all('a',id="pager_next"):
item = str(item)
link = re.findall(findLink, item)[0]
url = "https://www.dusuu.com" + str(link)
except requests.exceptions.RequestException as e:
print(e)
os.system("pause")
if __name__ == "__main__":
main()
好吧,免费获得了一个4.5MB的.docx文档,以后不用再上网看这部小说了!
当然,针对这个程序的话,读书网的所有小说都可以爬了。
(其实我还是得上网看,800多章还是直接用目录跳转方便)
不过,学习为主,又获得一项用50行代码在别人面前秀一秀的技能。