python爬虫爬取笔趣阁小说(最好修改用分布式爬虫操作)

# -*- codeing = utf-8 -*-
# @Time : 2020/10/16 10:23
# @Author : VIC1
# @File : novel.py
# @Software : PyCharm
# ____________________________

from bs4 import BeautifulSoup   # 网页解析,获取数据
import re       # 正则表达式,进行文字匹配
import urllib.request, urllib.error # 制定URL, 获取网页数据
import gzip
import time

def main():
    baseurl = "http://www.biquge.info/74_74132/"
    # 爬取每章小说url
    urllist = get1url(baseurl)
    # 获取每章内容
    for i in urllist:
        data = getData(i)
        saveData(data)
        time.sleep(4) # 你懂的
    print("爬取完毕")


# 每章小说herf链接
findHref = re.compile(r'<a href="(.*?)" title=')
# 每章小说标题
findTitle = re.compile(r'<h1>(.*?)</h1>')
# 每章小说内容
findContent = re.compile(r'<div id="content">(.*?)</div>',re.S)

# 爬取每章小说URL
def get1url(baseurl):
    urllist = []
    html = askURL1(baseurl) # 保存获取网页源代码
    # 逐一解析数据
    soup = BeautifulSoup(html, "html.parser")
    for dd in soup.find_all('dd'):  # 查找符合要求的字符串
        # print(dd)    # 测试:查看全部信息
        dd = str(dd)
        herf = re.findall(findHref,dd)[0] # 获取herf
        url1 = baseurl + herf   # 拼接获得每章的url
        # print(url1)   # 测试:检查url是否正确

        urllist.append(url1)
    return (urllist)

# 爬取小说内容
def getData(url):
    data = []
    html = askURL1(url) # 保存每章网页源代码
    soup = BeautifulSoup(html, "html.parser")
    for box_con in soup.find_all('div',class_="box_con"):
        box_con = str(box_con)
        # 小说标题
        title = re.findall(findTitle,box_con)[0]
        data.append(title)
        # 小说内容
        content = re.findall(findContent,box_con)[0]
        content = content.replace('<!--go-->','')
        content = content.replace('\xa0', '')
        content = content.replace('<br/><br/>', '\n')
        content = content.replace('<!--over-->', '')
        data.append(content)
        return (data)

# 保存为txt文件
def saveData(data):
    title = data[0]
    file = open(r'D:\我师兄实在太稳健了\%s.txt'%title,'w',encoding='utf-8')
    content = data[1]
    file.write(title+'\n'+content)
    file.close()

# 得到一个指定URL的网页内容
def askURL1(url):
    head = {# 模拟头部信息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;\
    Win64;\
    x64) AppleWebKit / 537.36(KHTML, like\
    Gecko) Chrome / 86.0\
    .4240\
    .75\
    Safari / 537.36"
    }
    # 用户代理,表示告诉服务器,我们是什么类型的机器,浏览器
    request = urllib.request.Request(url, headers=head)
    html = ""
    response = urllib.request.urlopen(request)
    # 在header中检查是否为gzip
    if ('Content-Encoding','gzip') in response.headers._headers:
        html = response.read()
        html = gzip.decompress(html)
        html = html.decode("utf-8")
        # print(html)
    else:
        html = response.read().decode("utf-8")
    return html

if __name__ == "__main__":  #当程序执行时
    # 调用函数
    main()

 

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    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 2
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