python编程篇之爬虫(二)
今天来介绍使用urllib库爬取整本小说的程序
import urllib.request
import re
# 伪装成浏览器
header = (
"User-Agent",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"
)
openr = urllib.request.build_opener()
openr.addheaders = [header]
urllib.request.install_opener(openr)
url = 'https://www.ybdu.com/xiaoshuo/0/910/4195702.html'
while True:
# file = urllib.request.urlretrieve(url, filename="E:/VSCodeSpace/小说爬虫/小说网页/斗罗大陆1.html")
# 当url为目录时,说明章节已经爬取完毕,退出循环
if url == 'https://www.ybdu.com/xiaoshuo/0/910/':
break
data = urllib.request.urlopen(url).read().decode('gbk', 'ignore')
# 标题,小说内容,以及下一章网站的正则
title_pat = '<h1>(.*?)</h1>'
content_pat = 'class="contentbox">(.*?)<div'
next_url = '<a href="(.*?)".*?id'
# 通过正则获取内容
title = re.compile(title_pat).findall(data)
title = title[0]
# print(title)
content = re.compile(content_pat,re.S).findall(data)
content = content[0]
# print(content)
'''
处理content中的多余符号
'''
content = content.replace(" ", "")
content = content.replace("<br />", "\n")
# print(url)
# 将获取到的小说标题以及内容存储到txt中,注意编码,以及文件的打开方式为追加,否则打不得想要的结果
with open("E:/VSCodeSpace/小说爬虫/小说/斗罗大陆.txt", "a+", encoding="utf-8") as fh:
fh.write(title)
fh.write('\n')
fh.write(content)
fh.write('\n\n')
这样,一整本《斗罗大陆》就爬取完毕了。