一、分析网站
1.首先随机选取一个章节,然后用谷歌开发者工具选取分析。
先分析主页:url = ‘http://www.shuquge.com/txt/8659/’
可以发现,小说的章节和一部分的url(要与主页拼接,进入小说详情页)
2.点进第七百五十三章小说的详情,用过开发者工具可以看到全部内容。
此时,url = ‘http://www.shuquge.com/txt/8659/31210137.html’
3.经过如上简单分析,得出这是一个静态网站,并且需要请求两次网站。
第一次请求,获得小说的章节名字和部分url(‘31210137.html’)。
第二次请求('31210137.html’拼接在主页url的后面),获得小说全部内容。
二、请求网站
1.引入需要用到的库
import requests # requests请求网站数据
import re # re正则表达式提取数据
import time # 设置延迟,减缓爬取速率,防止反爬
from requests.exceptions import RequestException # 当没有请求的数据,异常处理。
2.定义一个函数来请求网站数据,参数为url。
def get_one_page(url):
# 请求一个页面
try:
# 必要的请求头,模拟浏览器
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
# 用resquests 请求数据
response = requests.get(url,headers=headers)
if response.status_code == 200: # 当请求从成功,返回一个响应体
return response
except RequestException:
return None
三、解析数据
1.定义解析数据的函数,传入页面元素。
用到re正则解析数据
- 首先解析主页的数据,为了得到小说章节名和部分url
def parse_one_page(html):
# 解析章节的url和章节名
r = re.findall('<dd><a href="(.*?)">(.*?)</a></dd>',html,re.S)
return r
- 然后解析获得小说的内容
def parse_one_novel(html):
# 解析小说
r = re.findall('<div id="content" class="showtxt">(.*?)</div>',html,re.S)
return r
注意:这个时候或的小说内容是含有 ;br标签等不需要的内容。
保存数据时,要注意处理。
四、保存数据
1.定义写入文件的函数。
# name是小说章节名,result小说内容
def write_to_file(name,result):
# 写入文件
with open('剑来\{}.txt'.format(name),mode='w',encoding='utf-8')as f:
# 写入时,处理了数据。
content = result[0].replace('<br>',"").replace(' ',"").replace('<br/>',"")
f.write(content)
五、实现的主要函数:
1.获得小说章节名和部分url的列表
def url_name():
# 获得章节的url和章节名
url = 'http://www.shuquge.com/txt/8659/'
html = get_one_page(url)
html.encoding = html.apparent_encoding
return parse_one_page(html.text) # 返回的是一个列表
# [('31165742.html', '第七百五十二章 无巧不成书'),....]
url_name = url_name() # 赋值给一个变量
2.获得小说一个章节的全部内容
def main(index='31210137.html'):
# 获取小说的内容
url = 'http://www.shuquge.com/txt/8659/'+str(index)
html = get_one_page(url)
# 自动转码,否则会出现乱码的情况
html.encoding = html.apparent_encoding
result = parse_one_novel(html.text)
六、传参使得爬取整本小说
给main()函数定义设置了两个参数,index和name
分别接受需要的章节url和小说的章节名
遍历循环url_name列表获得章节url和小说的章节名
七、全部代码
import requests
import re
import time
from requests.exceptions import RequestException
def get_one_page(url):
# 请求一个页面
try:
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response
except RequestException:
return None
def parse_one_page(html):
# 解析章节的url和章节名
r = re.findall('<dd><a href="(.*?)">(.*?)</a></dd>',html,re.S)
return r
def parse_one_novel(html):
# 解析小说
r = re.findall('<div id="content" class="showtxt">(.*?)</div>',html,re.S)
return r
def write_to_file(name,result):
# 写入文件
with open('剑来\{}.txt'.format(name),mode='w',encoding='utf-8')as f:
content = result[0].replace('<br>',"").replace(' ',"").replace('<br/>',"")
f.write(content)
def url_name():
# 获得章节的url和章节名
url = 'http://www.shuquge.com/txt/8659/'
html = get_one_page(url)
html.encoding = html.apparent_encoding
return parse_one_page(html.text)
# 赋值 小说名字和小说的url 如:[('31165742.html', '第七百五十二章 无巧不成书'),....]
url_name = url_name()
def main(index,name):
# 获取小说的内容
url = 'http://www.shuquge.com/txt/8659/'+str(index)
html = get_one_page(url)
html.encoding = html.apparent_encoding
result = parse_one_novel(html.text)
# 如果没请求到小说的数据 就反复请求,直到有数据,在写入保存数据。
if result == []:
main(index,name)
if len(result):
write_to_file(name,result)
# 循环爬取整本小说
if __name__ == '__main__':
# 遍历url_name列表获得章节url和小说的章节名
for item in url_name:
# [('31165742.html', '第七百五十二章 无巧不成书'),....] url_name中数据存储的格式
print(f'===============正在爬取{item[1]}===============')
main(item[0], item[1])
time.sleep(1)