python爬取网站小说,保存到TXT文件
概述,首先获得某一章的html代码,然后用正则表达式过滤出章节名称和章节内容,保存到TXT中。本程序只保存了一本小说。
import json
import requests, random
from requests.exceptions import RequestException
import re
import time
def get_one_page(url):
#请求头
headers ={
'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}
#打印当前时间
print(time.strftime("%Y-%m-%d %H:%M:%S",time.localtime()) )
response = requests.get(url, headers = headers)
#response = requests.get(url,proxies=http,timeout=3)
print(response.status_code)
if response.status_code == 200:
return response.content.decode('utf-8')
return None
#找到所有章节的链接
#chcp 65001 设置控制台编码
def parse_one_page(html):
#正则表达式
pattern = re.compile(
'<div id="book_text">(.*?)</div>',re.S
)
#对文本进行筛选
items = re.findall(pattern,html)
print(items)
for item in items:
print(item)
yield{
'index':item
}
#筛选出章节名称
def parse_one_page_head(html):
#print(html)
#正则表达式
pattern = re.compile(
'<h1>(.*)</h1>',re.S
)
#对文本进行筛选
items = re.findall(pattern,html)
for item in items:
print(item)
yield{
'index':item
}
#将结果保存到文本文档中
def write_to_file(content):
with open('huanleyingxiong.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii=False)+'\n')
def main(offset):
url = 'http://www.bequgew.com/99647/'+str(offset)+'.html'
html = get_one_page(url)
#首先筛选出章节
for item in parse_one_page_head(html):
print(item)
write_to_file(item)
#筛选出段落
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
#从第一章到最后一章
for i in range(32668145,32668266):
print(i)
main(i)
#每10秒访问一次
time.sleep(5)
推广:本群目前25人,目标50人。男女比例平衡,群主定期发红包,大家谈谈幸福,谈谈梦想,谈谈兴趣,欢迎北漂的河北老乡加群。
推广:读书网站 http://www.greendoubook.cn/read/home.action