python爬虫篇（知识讲解+爬取小说）

screamn

已于 2023-11-26 10:43:26 修改

阅读量1.4k

点赞数 2

分类专栏： python爬虫文章标签： python 爬虫开发语言

于 2023-11-21 09:45:57 首次发布

本文链接：https://blog.csdn.net/screamn/article/details/134511480

版权

python爬虫专栏收录该内容

28 篇文章 3 订阅

订阅专栏

最近博主学习了基本的爬虫知识，制作了几个爬虫脚本，感觉基础部分相对比较容易一些，这里分享给大家。

大家谨记爬虫只是用来方便大家从互联网上检索信息，获取免费资源，不得以危害或者窃取对方资源使用为目的进行违法犯罪。牢记网络安全法。

1.爬虫的准备工作

安装第三方库-requests lxml

使用pip命令直接安装requests

pip install requests
pip install lxml

如果出现失败，请检查网络，或者换源使用阿里云下载（直接换源比较推荐）。

2.爬虫介绍以及基本使用到的方法介绍

概念:（爬虫又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。

简单来说就是模拟用户登录，然后批量次的下载网络数据基本的使用方法分为post 和 get 两种请求，

介绍：

GET请求：

GET请求用于从服务器获取数据。
GET请求将参数附加在URL的末尾，以查询字符串的形式发送给服务器。
GET请求的参数信息可以在URL中被看到，因此不适合传输敏感信息。
GET请求可以通过浏览器直接访问和书签保存。

import requests

# 发送GET请求
response = requests.get('https://api.example.com/data', params={'key': 'value'})

# 获取响应数据
data = response.text


# 处理响应数据...

POST请求：

POST请求用于向服务器提交数据。
POST请求将参数包含在请求体中，不会暴露在URL上。
POST请求适合传输敏感信息，如用户的用户名和密码等。
POST请求不能通过浏览器直接访问和书签保存。

import requests

# 发送POST请求
data = {'key': 'value'}
response = requests.post('https://api.example.com/submit', data=data)

# 获取响应数据 一般情况下是json格式的，具体我会说明怎么查看
result = response.json()

# 处理响应数据...

任务

打开百度的搜索界面，将百度的源代码爬取下来，观察爬取的代码中是否有不同

import requests

url = "https://www.baidu.com/"

response = requests.get(url)
print(response.text)

我们会发现代码中存在一些乱码问题，如何避免这个问题呢？使用encoding = 'utf-8'解决

import requests

url = "https://www.baidu.com/"

response = requests.get(url)
response.encoding = 'utf-8'

print(response.text)

此时我们发现代码并没有出现错误的情况。

有时候我们会发现爬取代码的时候，当我们使用get请求或者是post请求访问对方网站的时候出现拒绝，此时我们需要使用UA伪装来爬取

UA伪装的定义

UA伪装（User-Agent Spoofing）是一种网络技术手段，用于隐藏或修改用户的浏览器标识信息（User-Agent），以伪装成其他设备、操作系统或浏览器。User-Agent是HTTP请求头中的一部分，用于向服务器提供有关客户端的信息，包括设备类型、操作系统和浏览器类型等。通过伪装User-Agent，可以使服务器误认为请求来自于不同的设备或软件。

UA伪装在网络爬虫、数据采集、网页测试等场景中被广泛使用。通过伪装User-Agent，可以绕过一些网站的限制或访问控制，获取更多的信息或实现特定的功能。然而，UA伪装也可能被滥用，用于恶意攻击、欺骗或非法活动，因此在使用时需要遵守相关法律法规并谨慎使用。

实际上你只需要知道，UA伪装主要是帮你通过一部分反爬虫的拦截就可以了，具体内容不需要过多研究。

那要怎么写呢？

我们直接右键百度界面，打开开发者工具找到网络，随便打开一个文件，然后拉到最下面，找到我箭头指向的user-agent然后直接创建一个新的字典类型的数据，然后把这个以字符串的形式存进去即可。

此时我们只需要在get中加入这个新的字典对象就可以增加爬取的成功性了

import requests

url = "https://www.baidu.com/"
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
response = requests.get(url,headers=headers)
response.encoding = 'utf-8'

print(response.text)

处理爬取到的数据

当我们把爬取到的源代码放到html文件中格式化后，我们会发现实际上的代码量是非常大的，如果去源代码中查找的话你需要浪费很多时间，这里建议大家使用浏览器自带的开发工具。f12或者右键检查。

使用流程：

这里要使用到我们之前安装的lxml库。具体使用的是库中的etree模块

这里简单介绍一下操作HTML的基本用法：

在Python中，可以使用`lxml`库中的`etree`模块来操作HTML文档。`etree`提供了一组强大的工具和方法，使得解析、遍历和修改HTML文档变得简单和方便。

下面是使用`etree`操作HTML的基本用法：

1. 导入必要的模块：

from lxml import etree

2. 解析HTML文档：

html = """
<html>
  <body>
    <div class="container">
      <h1>Title</h1>
      <p>Paragraph 1</p>
      <p>Paragraph 2</p>
    </div>
  </body>
</html>

3.查找元素：

# 使用XPath查找元素
elements = tree.xpath("//p")  # 查找所有 <p> 元素
for element in elements:
    print(element.text)  # 输出元素文本内容

# 使用CSS选择器查找元素
elements = tree.cssselect("div.container h1")  # 查找 <div class="container"> 下的 <h1> 元素
for element in elements:
    print(element.text)  # 输出元素文本内容

只需要学会这几个简单的使用，本博客需要用到的知识就够了。主要是带着大家爬取一些内容，进行实战，找到几种类型就可以了。

1.爬取笔趣阁小说。

学习一下思路：

1.我们进入需要爬取到的小说界面，右键开发者工具，选中元素显示，然后找到需要爬取的小说章节模块在代码中的位置。

将a标签中的文本内容复制，然后ctrl+u打开源代码 ctrl+f将刚刚的文本内容复制查找是否有这个模块。（比较爽的是，刚好这里有，可以不需要去查看网络请求和script代码了）

那么我们现在可以可以来获取源代码了

import requests
from lxml import etree
# 网页网址（指向小说章节的那部分）
url = "https://www.bige3.cc/book/3319/"
#UA伪装
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
#获取源代码请求 注意参数的书写
response = requests.get(url,headers=headers)
#源代码的具体编码格式建议先看一下网页中的meta设置的编码格式 meta中的charset
response.encoding = 'utf-8'
#赋值
webCode = response.text

编码格式的查看方式。

获取源代码之后，我们现在需要去解析一下这串源代码，这里需要一点前端知识，不懂得去看我之前的博客，那上面有详细的记载。如果不想学的话，还有一种更简单的方式来获取。

选中这个章节，你现在需要做的是右键->复制->复制xPath 然后回到python代码中按照格式填写即可

实例图

复制粘贴基本成功

import requests
from lxml import etree
# 网页网址（指向小说章节的那部分）
url = "https://www.bige3.cc/book/3319/"
#UA伪装
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
#获取源代码请求 注意参数的书写
response = requests.get(url,headers=header)
#源代码的具体编码格式建议先看一下网页中的meta设置的编码格式 meta中的charset
response.encoding = 'utf-8'
#赋值
webCode = response.text
#创建一个etree对象
en = etree.HTML(webCode)
li = en.xpath('//div[@class = "listmain"]/dl/dd[1]/a//@href')

#创建新的url请求

print(li)
newUrl = "https://www.bige3.cc"+li[0]
print(newUrl)
note =  requests.get(newUrl)
print(note.text)

打印后我们可以获取到这个章节对应的网页信息。

我们需要的小说，所以现在我们需要解析note，通过下面的信息，我们可以发现需要的文字在一个div中的文字形式，所以直接解析获取文本即可。重复上面步骤,按照相同的代码结构进行书写。

完整代码

import requests
from lxml import etree
# 网页网址（指向小说章节的那部分）
url = "https://www.bige3.cc/book/3319/"
#UA伪装
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
#获取源代码请求 注意参数的书写
response = requests.get(url,headers=header)
#源代码的具体编码格式建议先看一下网页中的meta设置的编码格式 meta中的charset
response.encoding = 'utf-8'
#赋值
webCode = response.text
#创建一个etree对象
en = etree.HTML(webCode)
li = en.xpath('//div[@class = "listmain"]/dl/dd[1]/a//@href')

#创建新的url请求

newUrl = "https://www.bige3.cc"+li[0]
note =  requests.get(newUrl)
note.encoding = 'utf-8'
noteText = etree.HTML(note.text).xpath('//div[@id="chaptercontent"]/text()')

for t in noteText:
    with open("小说.txt",'a',encoding='utf-8') as file:
        file.write(t)
        file.write('\n')
print("成功下载")

效果展示：

那么如果我需要爬取一整书籍呢？

我们再来看一下目录的结构。每一章节对应的链接所在的结构都是一样的，全部存在于dl->dt->dd->a->href 所以我只需要获取全部的dd标签，然后一个for循环遍历所有的dd标签，然后内部再写一个for循环，即可获取正本书籍

获取整本书的代码：

import requests
from lxml import etree
# 网页网址（指向小说章节的那部分）
url = "https://www.bige3.cc/book/3319/"
#UA伪装
header = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
#获取源代码请求 注意参数的书写
response = requests.get(url,headers=header)
#源代码的具体编码格式建议先看一下网页中的meta设置的编码格式 meta中的charset
response.encoding = 'utf-8'
#赋值
webCode = response.text
#创建一个etree对象
en = etree.HTML(webCode)
#获取全部的dd标签
li = en.xpath('//div[@class = "listmain"]//dl//dd')
index = 0
bookLen = len(li)
for i in li:
    #创建新的url请求
    try:
        # 解析dd 这里为什么不需要书写etreed对象获取呢？
        # 因为li数组本身就是一个解析后的etree元素列表，
        # 所以i本身就是一个etree元素，可以直接使用xpath

        #这里注意使用[0] xpath解析获取到的都是数组形式
        bookWeb = i.xpath("./a/@href")[0]
        newUrl = "https://www.bige3.cc"+ bookWeb
        note =  requests.get(newUrl)
        note.encoding = 'utf-8'
        noteText = etree.HTML(note.text).xpath('//div[@id="chaptercontent"]/text()')
        for t in noteText:
            with open("小说.txt",'a',encoding='utf-8') as file:
                file.write(t)
                file.write('\n')
        print(f"书本下载({index}/{bookLen})")
        index+=1
    except:
        print("章节下载失败")

提高效率（对对方服务器危害较大，线程数量尽量使用小一点的）

我们会发现当将写入小说的部分注释掉，将url打印时我们会发现，几乎2-3s就可以全部打印，写文件是最耗费时间的，所以一个线程肯定是不够的，这里需要用到多线程提高效率，不会的可以去学一下线程池的使用。我们发现这个文章是乱序的，这是由于并发引起的，可以加入互斥锁进行爬取。

import requests
from lxml import etree
from concurrent.futures import ThreadPoolExecutor

def download_chapter(chapter_url):
    try:
        response = requests.get(chapter_url, headers=header)
        response.encoding = 'utf-8'
        noteText = etree.HTML(response.text).xpath('//div[@id="chaptercontent"]/text()')
        with open("小说.txt", 'a', encoding='utf-8') as file:
            for t in noteText:
                file.write(t + '\n')
        print(f"章节 {chapter_url} 下载完成")
    except Exception as e:
        print(f"章节 {chapter_url} 下载失败：{e}")

if __name__ == "__main__":
    url = "https://www.bige3.cc/book/3319/"
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
    }
    response = requests.get(url, headers=header)
    response.encoding = 'utf-8'
    webCode = response.text
    en = etree.HTML(webCode)
    li = en.xpath('//div[@class = "listmain"]//dl//dd')

    chapter_urls = ["https://www.bige3.cc" + item.xpath("./a/@href")[0] for item in li]

    with ThreadPoolExecutor(max_workers=5) as executor:   #根据需求加入线程大小
        executor.map(download_chapter, chapter_urls)

用于迁出博客

var code = "1689b347-3417-4c5b-ab2f-ac75516b5030"

screamn

关注

2
点赞
踩
15

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录