跟潭州学院的强子老师学习网络爬虫---爬取全书网

真是太白了,python之路还有很长,今天我从这里开始,留作自己备忘。2018-04-05

花了一个下午学习个爬小说的,总的来说是因为自己没什么基础,哪里不会补哪里,磕磕绊绊的,总算是能运行,先把代码放这里,以后请教高手帮助解决一下。

# -*- coding: utf-8 -*-
# @Time    : 2018/4/5  13:46
# @Author  : ELEVEN
# @File    : crawerl--小说网.py
# @Software: PyCharm
import requests
import re
import time
import os

header = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:59.0) Gecko/20100101 Firefox/59.0'
}

def get_type_list(i):
    url = 'http://www.quanshuwang.com/list/{}_1.html'.format(i)
    html = requests.get(url, headers = header)
    html.encoding = 'gbk'
    html = html.text
    # print(html)
    # lis = re.findall(r'<ul class="seeWell cf">.*?<ul>', html, re.S)
    # lis = re.findall(r'<li><a target="_blank" href="(.*?)" class="l mr10">', html, re.S)
    novel_list = re.findall(r'<a target="_blank" title="(.*?)" href="(.*?)" class="clearfix stitle">', html, re.S)
    return novel_list

def get_chapter_list(type_url):
    html = requests.get(type_url, headers = header)
    html.encoding = 'gbk'
    html = html.text
    novel_chapter_html = re.findall(r'<img src="/kukuku/images/only2.png" class="leftso png_bg"><a href="(.*?)"  class="l mr11">', html, re.S)[0]
    html = requests.get(novel_chapter_html)
    html.encoding = 'gbk'
    html = html.text
    novel_chapter = \
    re.findall(r'<li><a href="(http://www.quanshuwang.com/book/.*?)" title=".*?">(.*?)</a></li>', html,
               re.S)
    # print(novel_chapter)
    # exit()
    return novel_chapter
def get_chapter_info(chapter_url):
    html = requests.get(chapter_url, headers = header)
    html.encoding = 'gbk'
    html = html.text
    # print(html)
    # exit()
    chapter_info = re.findall(
        r'<div class="mainContenr".*?</script>(.*?)<script.*?</script></div>', html, re.S)[0]
    # print(chapter_info)
    # exit()
    return chapter_info

if __name__ == '__main__':
    sort_dict = {
        1:'玄幻魔法',
        2:'武侠修真',
        3:'纯爱耽美',
        4:'都市言情',
        5:'职场校园',
        6:'穿越重生',
        7:'历史军事',
        8:'网游动漫',
        9:'恐怖灵异',
        10:'科幻小说',
        11:'美文名著'
}
    try:
        if not os.path.exists('全书网'):
            os.mkdir('全书网')
        for sort_id, sort_name in sort_dict.items():
            if not os.path.exists('%s/%s'%('全书网', sort_name)):
                os.mkdir('%s/%s'%('全书网', sort_name))
            # print('分类名称:', sort_name)
            for type_name,type_url in get_type_list(sort_id):
                # print(type_name, type_url)
                # if not os.path.exists('%s/%s/%s.txt'%('全书网', sort_name, type_name)):
                #     os.mkdir('%s/%s/%s.txt'%('全书网', sort_name, type_name))
                for chapter_url, chapter_name in get_chapter_list(type_url):  # [::-1]代表列表反向输出
                    # print(chapter_url, chapter_name, chapter_time)
                    # print(get_chapter_info(chapter_url))
                    with open('%s/%s/%s.txt'%('全书网', sort_name, type_name), 'a') as f:
                        print('正在保存...',chapter_name)
                        f.write('\n' + chapter_name + '\n')
                        f.write(get_chapter_info(chapter_url))
    except OSError as reason:
        print('wrong')
        print('问题原因是%s'%str(reason))

没解决的问题:

1、问题原因:('Connection aborted.', RemoteDisconnected('Remote end closed connection without response',))

      自己分析:可能是因为反复访问服务器,服务器认为我是机器人,被反爬了,文件头也有换,爬个几本小说就会出错。

      解决结果:没有解决。

转载于:https://www.cnblogs.com/AAA-AAA-AAA/p/8723482.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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