三国演义亲和度python_Python爬取三国演义的实现方法

本文的爬虫教程分为四部:

1.从哪爬 where

2.爬什么 what

3.怎么爬 how

4.爬了之后信息如何保存 save

一、从哪爬

三国演义

二、爬什么

三国演义全文

三、怎么爬

在Chrome页面打开F12,就可以发现文章内容在节点

只要找到这个节点,然后把内容写入到一个html文件即可。 content = soup.find("div", {"class": "bookyuanjiao", "id": "con"})

四、爬了之后如何保存

主要就是拿到内容,拼接到一个html文件,然后保存下来就可以了。 #!usr/bin/env

# -*-coding:utf-8 -*-

import urllib2

import os

from bs4 import BeautifulSoup as BS

import locale

import sys

from lxml import etree

import re

reload(sys)

sys.setdefaultencoding('gbk')

sub_folder = os.path.join(os.getcwd(), "sanguoyanyi")

if not os.path.exists(sub_folder):

os.mkdir(sub_folder)

path = sub_folder

# customize html as head of the articles

input = open(r'0.html', 'r')

head = input.read()

domain = 'http://www.shicimingju.com/book/sanguoyanyi.html'

t = domain.find(r'.html')

new_domain = '/'.join(domain.split("/")[:-2])

first_chapter_url = domain[:t] + "/" + str(1) + '.html'

print first_chapter_url

# Get url if chapter lists

req = urllib2.Request(url=domain)

resp = urllib2.urlopen(req)

html = resp.read()

soup = BS(html, 'lxml')

chapter_list = soup.find("div", {"class": "bookyuanjiao", "id": "mulu"})

sel = etree.HTML(str(chapter_list))

result = sel.xpath('//li/a/@href')

for each_link in result:

each_chapter_link = new_domain + "/" + each_link

print each_chapter_link

req = urllib2.Request(url=each_chapter_link)

resp = urllib2.urlopen(req)

html = resp.read()

soup = BS(html, 'lxml')

content = soup.find("div", {"class": "bookyuanjiao", "id": "con"})

title = soup.title.text

title = title.split(u'_《三国演义》_诗词名句网')[0]

html = str(content)

html = head + html + "

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