爬取多本小说

本文介绍了使用Python爬取笔趣阁小说网站的过程,包括请求网站获取小说名创建文件夹、请求小说获取章名和文章链接、以及请求文章内容并保存到对应文件。在解析和存储过程中,作者遇到了编码问题和文件路径过长问题,并给出了解决方案。
摘要由CSDN通过智能技术生成

目标网站

笔趣阁全部小说栏的小说
网址:http://www.xbiquge.la/xiaoshuodaquan/
页面解析

爬取流程:

1. 请求网站拿到数据,抽取小说名创建文件夹,抽取小说链接

解析网页发现,所有的书和其连接都是在相同在相同的标签下,极大的降低了我们爬取不同类别小说的难度,爬取书名以后需要将书名作为文件名,以便于之后本书章节的存储。
在这里插入图片描述实现代码如下:

    def start_requests(self):
        # 1. 请求网站拿到数据,抽取小说名创建文件夹,抽取小说链接
        start_url = "http://www.xbiquge.la/xiaoshuodaquan/"
        response = requests.get(start_url)
        html = etree.HTML(response.text)
        name_list = html.xpath("//div[@class='novellist']/ul/li/a/text()")
        url_list = html.xpath("//div[@class='novellist']/ul/li/a/@href")
        for shu_name,shu_url in zip(name_list,url_list):
            if os.path.exists(shu_name) == False:
                os.mkdir(shu_name)
            self.requests_zhang(shu_name,shu_url)

2. 请求小说拿到数据,抽取章名、文章链接

网页解析时发现,网址和书名都是正确的,但是在输出调试的时候发现,文章名变成了乱码,仔细想‘utf-8’是可以解析中文,不应该发生乱码的,想着应该是自己程序默认编码和文章的编码格式不同。做了个简单的调试,发现确实不一样,又进行了编码的转换。之后函数设计时,有一个**巧点:记录书的名称,以便之后文章存储时找到文件的位置。**实现代码如下:

    def requests_zhang(self,shu_name,shu_url):
        # 2. 请求小说拿到数据,抽取章名、文章链接
        response = requests.get(shu_url
  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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