2021-10-11

爬取笔趣阁小说——三寸人间

import requests
from lxml import etree
import os
import time

def get_page(url):
    headers = {
        'User-Agent' : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
    }
    response = requests.get(url=url, headers=headers)
    if response.status_code == 200:
        return response
    else:
        return None

def main():
    if not os.path.exists('./sancun'):
        os.mkdir('./sancun')
    url = "https://www.xbiquge.la/10/10489/"
    response = get_page(url=url)
    response.encoding = 'utf-8'
    page = response.text
    # print(page)
    tree = etree.HTML(page)
    dd_list = tree.xpath('//div[@id="list"]/dl/dd')
    for dd in dd_list:
        name = dd.xpath('./a/text()')[0] + '.txt'   # 如果没有[0],则返回的是一个列表
        text_url = "https://www.xbiquge.la" + dd.xpath('./a/@href')[0]
        # print(text_url)

        article_page = get_page(url=text_url)
        article_page.encoding = "utf-8"
        article_page = article_page.text

        # with open('test.html', 'w', encoding="utf-8") as fp:
        #     fp.write(article_page)
        # break

        page_tree = etree.HTML(article_page)
        article = page_tree.xpath('//div[@id="content"]/text()')
        article_path = 'sancun/' + name
        with open(article_path, 'a', encoding='utf-8') as fp:
            for text in article:
                fp.write(text)
                time.sleep(0.1)   # 需要时间,否则会出现错误
            print(name, "爬取成功")





if __name__ == '__main__':
    main()

代码编写过程的错误

  1. 爬取的页面中文出现乱码:通过在爬取的网页的console端输入document.charset来查看编码,随后在爬取的页面后加入page.encoding="utf-8"即可解决中文乱码问题
  2. 在运行的中间过程中会报错,出现以下情况
    在这里插入图片描述查阅资料后,发现最简单的方法就是加一个sleep,给予反应时间,并且实施后确实不会再出现上述问题
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值