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。
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