爬取小说
1、准备工作
和之前上过的课准备工作一致。
2、分析网页
1、打开网页
2、分析每一章节的链接
第一章:http://www.shuquge.com/txt/76621/14610060.html
第二章:http://www.shuquge.com/txt/76621/14610061.html
第三章:http://www.shuquge.com/txt/76621/14610062.html
…
最后一章:http://www.shuquge.com/txt/76621/14610968.html
可以看出网页翻页后只有标记出的地方发生了改变
3、分析小说内容路径
(1)点击方框处1,然后选取小说主要内容部分2,发现内容路径在3处
(2)检查链接
点开查看内容是否是小说
4、分析网页请求方式及代理
1、查看内容是否正确
2、请求方式
请求方式为get
3、代理
网站有反爬虫的情况下,可以使用代理来伪装浏览器,视情况来决定是否使用代理
3、爬取网页
1、查看代理是否正确
代码如下:
import requests
target_url = "http://www.shuquge.com/txt/76621/14610060.html"
requests.get(url=target_url)
运行结果如下:
输出为“200”说明没有错误,没有带入代理,网页没有反爬虫
将结果赋值给response,并以text格式输出查看;代码如下:
import requests
target_url = "http://www.shuquge.com/txt/76621/14610060.html"
response = requests.get(url=target_url)
print(response.text)
运行结果如下:
发现运行结果是一堆乱码
2、解码
在文本输出之前进行解码
解码的代码如下:
reponse.encoding = reponse.apparent_encoding
将其带入运行代码:
运行结果如下:
文字部分正常显示了
3、爬取每一章节小说的链接
(1)根据分析网页,分析小说每一章节路径,我们可以写一个for循环语句来爬取所有小说链接,但是发现小说的链接里只有后缀的数字,每一章节小说的前缀”http://www.shuquge.com/txt/514/“都是相同的,我们可以采用加法来爬取小说链接
index_html = requests.get(index_url).text #文章首页链接
index_etree = etree.HTML(index_html) #请求
dd = index_etree.xpath('/html/body/div[5]/dl/dd')
for item in dd:
href = "http://www.shuquge.com/txt/514/"+item.xpath('./a/@href')[0