Python3爬取小说《昆仑》

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。

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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