最近迷上小说,网上下载下来,发现章节缺少,重复等问题。严重影响了阅读体验,决定自己学着自己写代码爬一本小说来看。
武侠小说《昆仑》
第一章网址: http://www.kanunu8.com/wuxia/201102/1718/38407.html
最后一章网址: http://www.kanunu8.com/wuxia/201102/1718/38506.html
talk is cheap, show your code!
# -*- coding: utf-8 -*-
# 第一行注释很重要,没有的话出现汉字会报错
"""
Created on Thu Mar 16 21:27:59 2017
@author: fangding
"""
#导入模块
import requests
import re
import urllib.request as request
from bs4 import BeautifulSoup
count_error = [] #记录无效的网址
def setSrr(url):
#判断网址是否有效,如果无效就打印错误并返回。
if(requests.get(url).status_code == 404):
print('error')
global count_error
count_error.append(url) #把错误网址加入到列表
return []
print('开始下载……')
l = [] #定义列表用来保存小说内容
html = request.urlopen(url).read() #读取网页中所有的内容
soup = BeautifulSoup(html)
item = soup.findAll('h2') #h2里面是章节标题
#这一步的根据是查看网站源码,找到所需要爬去的内容
print('this......', str(item)) #打印章节标题处的源码
title = re.match(r'.*<h2><font color="#dc143c">(.*)</font></h2>.*', str(item) ,re.M|re.I) #用正则表达式提取出章节标题
print('title:', title.group(1)) #打印标题,看是否正确
l.append(title.group(1)) #标题加入到列表
#提取本章节小说内容部分源码,然后剔除源码部分<p>和</p>
strings = soup.findAll('p')[0].__str__().strip('<p>').strip('</p>')
#print(strings)
'''
a = True
for string in strings:
st = string.__str__()
if a==True:
print(st)
a = False
if(len(st.split('<br/>')) <= 2):
pass
l.append(st)
print(len(l))
print(l[0])
'''
#提取出来的字符串按段落切分,然后加到列表中
l += map(lambda x: x.rstrip(), strings.split('<br/>'))
#返回爬去到的内容
return l
#内容写到文件上
def setDoc(l, file):
if len(l) < 2:
return
#追加方式打开文件,并写入文件。
with open(file, 'a', encoding='utf-8') as f:
for i in l:
f.write('\t' + i)
f.write('\n')
def setNewUrl():
urls = [] #所有要爬取的网址
#《昆仑》中第一章和最后一章网址数字的差是109,所以有110个网址,生成网址列表返回。
for s in range(0, 110):
url = "http://www.kanunu8.com/wuxia/201102/1718/" + str(38407 + s) + ".html"
urls.append(url)
return urls
if __name__ == '__main__':
urls = setNewUrl()
file = '昆仑3.txt'
#setSrr(urls[0])
#爬取每一个网址里面的内容
for url in urls:
l = setSrr(url)
setDoc(l, file)
#打印不存在的网址数量和网址
print(len(count_error))
print(count_error)
#最后发现110个网址,有30个无法访问,《昆仑》正好80章。
一个简单的小说爬虫完成了。
刚学写爬虫,虽然觉得简单,但是高质量,鲁棒性强的爬虫还是不容易。
写的时候一些测试代码都删除了。遇到问题要google,而且stackoverflow是非常好的,一般问题都会有。多看看官网就解决了。