「Python」纯干货，5000字的博文教你采集整站小说（附源码）

最新推荐文章于 2024-08-24 21:58:48 发布

chinaherolts2008

最新推荐文章于 2024-08-24 21:58:48 发布

阅读量570

点赞数 2

分类专栏： python基础教程文章标签： python 爬虫

原文链接：https://www.cnblogs.com/pythonQqun200160592/p/15193331.html

版权

python基础教程专栏收录该内容

638 篇文章 52 订阅

订阅专栏

前言

大家好我叫善念，这是我的第二篇技术博文（第一篇讲述的是自己的经历），连续三天更新了，每天花两小时写下一个实战案例，我也是乐在其中，谢谢大家对我的支持。

今天咱们要做的是利用Python爬取整个网站上的所有小说内容，其实在我心里面，采集什么内容根本无关紧要，最重要的是大家能学习到我的分析思路，授人以鱼不如授人以渔。

开始

既然是要采集整站数据，那么我们进入目标网站，点击全部作品。

分析（x0）

第一步右键一下查看网站源代码，看里面是否有咱们需要的书本源头文件地址（当然是看源头文件地址，因为一本书的内容这么大，然后一页有这么多本书，肯定不可能内容全部在源代码中）。

可以看到我在元素中可以找到书的名字和介绍，然后关键的是一个跳转的网址，这个网址很关键，因为咱们点击这个链接后他会跳到单本小说中。

而单本小说里面势必会有章节分类，而我们要做的肯定是需要把每本小说的章节名字也采集下来。

最终的目的就是，每本小说为一个文件夹，以书的名字命名，然后文件夹内保存所有章节，每一个章节为一个txt文档，没一个章节名与txt文件名对应。

分析（x1）

反转，切记不要以element作为源代码去考虑问题！！element可能是浏览器执行了一些JavaScript后所展现的源码，与服务器传给浏览器的源代码是有所不同的。

所以咱们还是需要在源代码中找一找是否有跳转链接和书名。

好吧，源代码中也是有的。不过你们不能大意，一定要查看源代码中是否有，element代表不了源代码。

那么先采集一下第一页的书名和跳转链接咯

复制代码

```
当然在学习Python的道路上肯定会困难，没有好的学习资料，怎么去学习呢？
学习Python中有不明白推荐加入交流Q群号：928946953
群里有志同道合的小伙伴，互帮互助， 群里有不错的视频学习教程和PDF！
还有大牛解答！
```

# 抓取第一页的所有书籍名字，书籍入口
# 到了书籍入口后，抓取章节名字，章节链接（文字内容）
# 保存
import requests
from lxml import etree
import os
url='https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
   if not os.path.exists(bookname):
   # if os.path.exists(bookname) == False:
        os.mkdir(bookname)  # 创建文件夹

复制代码

这里对应着咱们的思路，每采集到一个书名就给它单独创建一个文件夹。

完全没问题，到这里咱们已经完成第一步了。

分析（x2）

那么接下来就是去模拟请求咱们采集到的书本目录的跳转链接，然后同样的方法去采集到章节名与章节内容的跳转链接了。

同样的你们自己查看下源代码，数据也是在里面的。

那就接着写代码咯

复制代码

```
当然在学习Python的道路上肯定会困难，没有好的学习资料，怎么去学习呢？ 
学习Python中有不明白推荐加入交流Q群号：928946953 
群里有志同道合的小伙伴，互帮互助， 群里有不错的视频学习教程和PDF！
还有大牛解答！
```
import requests
from lxml import etree
import os
url = 'https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
    if not os.path.exists(bookname):
    # if os.path.exists(bookname) == False:
        os.mkdir(bookname)  # 创建文件夹
    req2 = requests.get("http:" + tzurl).text
    html1 = etree.HTML(req2)
    zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
    zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
    for zjurl, zjname in zip(zjurls, zjnames):
        print(zjname+'\n'+zjurl)

复制代码

效果图：

分析（x3）

知道这里为什么没有去把章节名字命名的txt文档保存在文件夹内吗？

因为咱们还没有获取到章节的内容呀，是不是需要先把章节内容写到章节的txt里面，然后再保存在文件夹内？

当然这句解释是为了照顾新手。

那么接下来采集章节内容，方法什么的不讲了，一模一样的，章节内容同样在源代码中如上上图所示。

每一个标签只保存一行内容，那么就需要用到把采集到的所有内容都组合起来，并用换行符隔开，尽量保持文章格式。

代码走起：

复制代码

```
当然在学习Python的道路上肯定会困难，没有好的学习资料，怎么去学习呢？ 
学习Python中有不明白推荐加入交流Q群号：928946953 
群里有志同道合的小伙伴，互帮互助， 群里有不错的视频学习教程和PDF！
还有大牛解答！
```
import requests
from lxml import etree
import os
url = 'https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
    if not os.path.exists(bookname):
    # if os.path.exists(bookname) == False:
        os.mkdir(bookname)  # 创建文件夹
    req2 = requests.get("http:" + tzurl).text
    html1 = etree.HTML(req2)
    zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
    zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
    for zjurl, zjname in zip(zjurls, zjnames):
        print(zjname+'\n'+zjurl)
        req3 = requests.get('http:' + zjurl).text
        html2 = etree.HTML(req3)
        nrs = html2.xpath('//div[@class="read-content j_readContent"]/p/text()') # 分散式内容
        nr = '\n'.join(nrs)
        file_name = bookname + "\\" + zjname + ".txt"
        print("正在抓取文章：" + file_name)
        with open(file_name, 'a', encoding="utf-8") as f:
            f.write(nr)

复制代码

效果图：

这里要说明一下，咱们还只是抓取了第一页的数据。那么如何抓取整站的数据呢？

分析（x4）

一般稍微有经验的都知道一点，就是当我们翻页的时候，网站的url会发生变化，页码一般就是在url上面。

构建个for循环把页码数变为一个变量即可，无需多言，直接上最终的完整代码，代码仅供参考，你们最终可以自己去修改效果。

完整的代码

复制代码

```
当然在学习Python的道路上肯定会困难，没有好的学习资料，怎么去学习呢？
学习Python中有不明白推荐加入交流Q群号：928946953
群里有志同道合的小伙伴，互帮互助， 群里有不错的视频学习教程和PDF！
还有大牛解答！
```

import sys
import requests
from lxml import etree
import os
for i in range(sys.maxsize):
    url = f'https://www.qidian.com/all/page{i}/'
    req = requests.get(url).text
    html = etree.HTML(req)
    booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
    tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

    for bookname, tzurl in zip(booknames, tzurls):
        if not os.path.exists(bookname):
        # if os.path.exists(bookname) == False:
            os.mkdir(bookname)  # 创建文件夹
        req2 = requests.get("http:" + tzurl).text
        html1 = etree.HTML(req2)
        zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
        zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
        for zjurl, zjname in zip(zjurls, zjnames):
            print(zjname+'\n'+zjurl)
            req3 = requests.get('http:' + zjurl).text
            html2 = etree.HTML(req3)
            nrs = html2.xpath('//div[@class="read-content j_readContent"]/p/text()') # 分散式内容
            nr = '\n'.join(nrs)
            file_name = bookname + "\\" + zjname + ".txt"
            print("正在抓取文章：" + file_name)
            with open(file_name, 'a', encoding="utf-8") as f:
                f.write(nr)

复制代码