python爬取小说基本信息_python实现爬虫抓取小说功能示例【抓取金庸小说】

本文介绍了如何使用Python的BeautifulSoup库抓取小说网站的书名、链接、章节名称和内容,并将内容保存为TXT文件。通过访问URL,获取HTML页面,解析页面结构,提取所需信息,并按照章节保存到本地文件。示例代码展示了从列表页获取小说,再到获取每个小说的章节,最后获取并保存章节内容的过程。
摘要由CSDN通过智能技术生成

本文实例讲述了python实现爬虫抓取小说功能。分享给大家供大家参考,具体如下:

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

from bs4 import BeautifulSoup

from urllib import request

import re

import os,time

#访问url,返回html页面

def get_html(url):

req = request.Request(url)

req.add_header('User-Agent','Mozilla/5.0')

response = request.urlopen(url)

html = response.read()

return html

#从列表页获取小说书名和链接

def get_books(url):#根据列表页,返回此页的{书名:链接}的字典

html = get_html(url)

soup = BeautifulSoup(html,'lxml')

fixed_html = soup.prettify()

books = soup.find_all('div',attrs={'class':'bbox'})

book_dict = {}

for book in books:

book_name = book.h3.a.string

book_url = book.h3.a.get('href')

book_dict[book_name] = book_url

return book_dict

#根据书名链接,获取具体的章节{名称:链接} 的字典

def get_parts(url):

html = get_html(url)

soup = BeautifulSoup(html,'lxml')

fixed_html = soup.prettify()

part_urls = soup.find_all('a')

host = "http://www.xiaoshuotxt.org"

part_dict = {}

for p in part_urls:

p_url = str(p.get('href'))

if re.search(r'\d{5}.html',p_url) and ("xiaoshuotxt" not in p_url):

part_dict[p.string] = host + p_url

return part_dict

#根据章节的url获取具体的章节内容

def get_txt(url):

html = get_html(url)

soup = BeautifulSoup(html,'lxml')

fixed_html = soup.prettify()

title = soup.h1.string #获取文章标题

content = soup.find('div',attrs={'class':'zw'})

txt = BeautifulSoup.get_text(content) #正文内容

return txt

if __name__ == "__main__":

root_dir= r'e:\books'

#url = 'http://www.xiaoshuotxt.org/mingzhu/index_2.html' #第2页的小说

url = "http://www.xiaoshuotxt.org/writer/58" #金庸的小说

books = get_books(url)

for book_name,book_url in books.items():

os.mkdir(os.path.join(root_dir,book_name))

part_dict = get_parts(book_url)

print(book_name,"共:",len(part_dict),"章节")

for part_name,part_url in part_dict.items():

print("正在保存:",part_name)

f1 = open(r'e:\books\%s\%s.txt'%(book_name,part_name),'w',encoding='utf-8')#以utf-8编码创建文件

part_txt = get_txt(part_url)

f1.write(str(part_txt))

f1.close()

time.sleep(2)

运行效果:

blank.gif

更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。

时间: 2019-08-08

  • 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