网页文字爬取,以爬取整本书籍为例。
一、步骤
①首先,获取目录页的h1(小说名)作为文件夹名并创建文件夹。
#设置存储文件夹
FName = text1.findAll('h1')[1].text
if not os.path.exists(FName):
os.mkdir(FName)
②通过要获取小说的目录页,爬取每个章节的链接
#目录下各章节链接获取
t = '<a style="" href="(.*?)">'
AllUrl= re.findall(t, response.text)
③获取每个章节下的文字。章节名作为存储的txt名,并把对应文字存入。
注意:txt存储存在文件名存在格式问题。故:
#判断存储文件名类型,去除不符合条件文件名
for NoName in ["?","/","~","*","<",">",":","|"]:
if(fileName[-1]==NoName):
fileName=fileName[0:len(fileName)-1]