近些年里,网络小说盛行,但是小说网站为了增加收益,在小说中增加了很多广告弹窗,令人烦不胜烦,那如何安静观看小说而不看广告呢?答案就是爬虫。本文主要以一个简单的小例子,简述如何通过爬虫来爬取小说,仅供学习分享使用,如有不足之处,还请指正。
目标页面
本文爬取的为【某横中文网】的一部小说【妙手小医仙】,已完结,共187章,信息如下:
网址:http://book.abcde.com/showchapter/1102448.html
本次主要爬取小说章节信息,及每一章对应的正文信息。章节信息如下所示:
目标分析
1. 章节目录分析
通过浏览器自带的开发人员工具【快捷键F12或Ctrl+Shift+I】进行分析,发现所有的章节都包含在ul【无序列表标签】中,每一个章节链接对应于li【列表项目标签】标签中的a【超链接标签】标签,其中a标签的href属性就是具体章节网址,a标签的文本就是章节标题,如下所示:
2. 章节正文分析
通过分析,发现章节全部内容,均在div【class=reader_box】中,其中包括标题div【class=title_txtbox】,章节信息div【class=bookinfo】,及正文信息div【class=content】,所有正文包含在p【段落标签】中。如下所示:
爬虫设计思路
- 获取章节页面内容,并进行解析,得到章节列表
- 循环章节列表:
- 获取每一章节内容,并进行解析,得到正文内容,
- 保存到文本文档。每一个章节,一个文档。
示例源码
获取请求页面内容,因为本例需要多次获取页面内容,所以封装为一个单独的函数,如下所示:
def get_data(url: str = None):
"""
获取数据
:param url: 请求网址
:return:返回请求的页面内容
"""
# 请求头,模拟浏览器,否则请求会返回418
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/70.0.3538.102 Safari/537.36 Edge/18.18363'}
resp = requests.get(url=url, headers=header) # 发送请求
if resp.status_code == 200:
if resp.encoding != resp.apparent_encoding:
# 如果返回的编码和页面显示编码不一致,直接获取text会出现乱码,需要转码
return resp.content.decode(encoding=resp.apparent_encoding)
else:
# 如果返回成功,则返回内容
return resp.text
else:
# 否则,打印错误状态码,并返回空
print('返回状态码:', resp.status_code)
return
注意:有可能不同网站,返回内容的编码和页面显示的编码不一致,可能会出现中文乱码的情况,所以本例进行编码设置。
1. 解析章节列表
要获取整本小说内容,首先就要获取章节列表,然后保存到内存数组中,以便于获取具体正文。如下所示:
def parse_chapters(html: str = None):
"""
爬取章节列表
:param html:
:return:
"""
if html is None:
return
else:
chapters = []
bs = BeautifulSoup(html, features='html.parser')
ul_chapters = bs.find('ul', class_='chapter-list clearfix')
# print(ul_chapters)
li_chapters = ul_chapters.find_all('li', class_='col-4') # 此处需要注意,页面源码查看是有空格,但是BeautifulSoup转换后空格消失
for li_chapter in li_chapters:
a_tag = li_chapter.find('a')
# print(a_tag)
a_href = a_tag.get('href') # 此处也可以用a_tag['href']
a_text = a_tag.get_text() # 获取内容:章节标题
chapters.append({'title': a_text, 'href': a_href})
return chapters
2. 解析单个章节
当得到单个章节的链接时,就可以获取单个章节的内容,并进行解析,如下所示:
def parse_single_chapter(html: str = None):
"""
解析单个章节内容
:param html:
:return:
"""
bs = BeautifulSoup(html, features='html.parser')
div_reader_box = bs.find('div', class_='reader_box')
div_title = div_reader_box.find('div', class_='title_txtbox')
title = div_title.get_text() # 获取标题
div_book_info = div_reader_box.find('div', class_='bookinfo')
book_info = div_book_info.get_text()
div_content = div_reader_box.find('div', class_='content')
content = ''
p_tags = div_content.find_all('p')
for p_tag in p_tags:
content =content + p_tag.get_text() + '\r\n'
# content = div_content.get_text()
return title + '\n' + book_info + '\n' + content
3. 循环解析并保存
循环获取单个章节正文页面,并进行解析,然后保存。如下所示:
def get_and_parser_single_chapter(chapters: list = []):
"""
获取单个章节
:param chapters: 章节列表
:return:
"""
for (index, chapter) in enumerate(chapters, 1):
title = chapter.get('title')
href = chapter.get('href')
while True:
print('开始第%d章爬取' % index)
html = get_data(href)
if html is not None:
content = parse_single_chapter(html)
save_data(title, content) # 保存数据
print('第%d章爬取成功' % index)
break
else:
print('第%d章爬取失败' % index)
time.sleep(2)
4. 整体调用逻辑
当写好单个功能函数时,顺序调用就是完整的爬虫,如下所示:
url = 'http://book.abcde.com/showchapter/1102448.html'
print('开始时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
html_chapters = get_data(url)
chapters = parse_chapters(html_chapters)
get_and_parser_single_chapter(chapters)
print('结束时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
print('done')
示例截图
爬取到的小说列表,如下所示:
每一个章节内容,如下所示:
示例完整代码
备注
我从来不认为半小时是我微不足道的很小的一段时间。真正的强者,不是没有眼泪的人,而是含着眼泪奔跑的人。但行前路,无问西东 。
长相思·山一程
纳兰性德 【朝代】清
山一程,水一程,身向榆关那畔行,夜深千帐灯。
风一更,雪一更,聒碎乡心梦不成,故园无此声。