requests、lxml 爬取小说
基本思路
-
主要内容分为三个部分
-
使用requests模块获取网页内容
-
使用lxml模块进行网页解析
-
将解析出来的数据存储进txt文件中(如果是入库就可以存储到数据库)
-
使用lxml模块进行网页解析
1、获取章节链接
根据html获取章节的链接,很多是网页域名+href
2、获取章节内容
获取章节的标题、内容(content),需要一定 的html定位技术能力
实例
import requests
from lxml import etree
filePath = r"C:\Users\wm\Desktop\xs" #本机的桌面路径,r表示原意,多加一个\表示转义
#这个方法下载并提取文字
def download_text(url):
# 导入包
reponse = requests.get(url)
#解码,万能模式
reponse.encoding = reponse.apparent_encoding
#解析
etree_html = etree.HTML(reponse.text)
# print(etree_html,111111)
#提取标题//*[@id="book"]/div[2]/h1
title = etree_html.xpath("//div[@class='content']/h1/text()")
# print (title,222)
#提取内容
content = etree_html.xpath('//*[@id="content"]//text()') #现在还是数组形式,文本,字符串
text = "".join(content) # 把数组转换为字符串,\r和\n都是换行符
text= title[0]+'\n' +text+'\n'
# print(text)
return text
# 取到所有文章的链接
def get_link(index_url):
index_html = requests.get(index_url).text
# print(index_html)
index_etree = etree.HTML(index_html)
# print(index_etree)
# for i in index_etree:
# print(i)
dd = index_etree.xpath(r'//div/dl/dd')
# print(dd)
# print(dd.xpath('./a/@href')[0])
# print(dd,list(dd))
link_list = [] # 打包所有的练接
for item in dd:
# print(item,111)
# print(item.xpath('./a/@href')[0])
href = index_url+item.xpath('./a/@href')[0] #拼接出完整的链接
link_list.append(href)
return link_list #返回的东西,我要带走的
if __name__ =='__main__':
index_url = "https://ww.zhuishuku.com/book/1070884/" #文章首页链接
links = get_link(index_url)
# print(links)
print(filePath + '.txt')
with open(filePath + '.txt', 'a', encoding='utf-8') as file: #创建并打开一个文件
for link in links:
target_url = link
print ("正在在爬取:", target_url)
text = download_text(target_url) #带进去的东西
print(text)
file.write(text) #放进去内容,写入
# file.close() # 关闭
# 导入包
import requests
from lxml import etree
filePath = r"C:\Users\asus\元尊\\" #本机的桌面路径,r表示原意,多加一个\表示转义
#这个方法下载并提取文字
def download_text(url):
# 导入包
reponse = requests.get(url)
#解码,万能模式
reponse.encoding = reponse.apparent_encoding
#解析
etree_html = etree.HTML(reponse.text)
#提取标题
title = etree_html.xpath('//*[@id="wrapper"]/div[4]/div[2]/h1/text()')
print (title)
#提取内容
content = etree_html.xpath('//*[@id="content"]//text()') #现在还是数组形式,文本,字符串
text = "".join(content) # 把数组转换为字符串,\r和\n都是换行符
# 保存到txt文件,放到电脑桌面,绝对路径,r表示原意,\代表转义字符
with open(filePath + title[0] + '.txt', 'a', encoding='utf-8') as file: #创建并打开一个文件
file.write(text) #放进去内容,写入
file.close() # 关闭
# 取到所有文章的链接
def get_link(index_url):
index_html = requests.get(index_url).text
index_etree = etree.HTML(index_html)
dd = index_etree.xpath('/html/body/div[5]/dl/dd')
link_list = [] # 打包所有的练接
for item in dd:
href = "http://www.shuquge.com/txt/5809/"+item.xpath('./a/@href')[0] #拼接出完整的链接
link_list.append(href)
return link_list #返回的东西,我要带走的
if __name__ =='__main__':
index_url = "http://www.shuquge.com/txt/5809//index.html" #文章首页链接
links = get_link(index_url)
for link in links:
target_url = link
print ("正在在爬取:", target_url)
download_text(target_url) #带进去的东西
爬取小说有繁体字解决
zhconv安装
pip install zhconv
使用方法
Help on function convert in module zhconv.zhconv:
convert(s, locale, update=None)
Main convert function.
:param s: must be `unicode` (Python 2) or `str` (Python 3).
:param locale: should be one of ``('zh-hans', 'zh-hant', 'zh-cn', 'zh-sg'
'zh-tw', 'zh-hk', 'zh-my', 'zh-mo')``.
zhconv支持以下地区词的转换:
zh-cn 大陆简体
zh-sg 马新简体(马来西亚和新加坡使用的简体汉字)
zh-tw 台灣正體(台湾正体)
zh-hk 香港繁體(香港繁体)
zh-hans 简体
zh-hant 繁體(繁体)
:param update: a dict which updates the conversion table, eg.
``{'from1': 'to1', 'from2': 'to2'}``
>>> print(convert('我幹什麼不干你事。', 'zh-cn'))
我干什么不干你事。
>>> print(convert('我幹什麼不干你事。', 'zh-cn', {'不干': '不幹'}))
我干什么不幹你事。
>>> print(convert('人体内存在很多微生物', 'zh-tw'))
人體內存在很多微生物
实例
import zhconv
# 简繁体转换
s = '朝斗坛前山月幽,师雄有梦生清愁。何时杖尔看南雪,我与梅花两白头。'
s1 = zhconv.convert(s, 'zh-hant')
s2 = zhconv.convert(s, 'zh-tw')
s3 = zhconv.convert(s, 'zh-hk')
print('转化为繁体结果:', s1)
print('转化为台湾正体结果:', s2)
print('转化为香港繁体结果:', s3)