whitepages 爬取_爬取新笔趣阁小说！适合新手入门的小案例

爬取笔趣阁小说(搜索+爬取)

首先看看最终效果(gif)：

实现步骤：
1.探查网站“http://www.xbiquge.la/”，看看网站的实现原理。

2.编写搜索功能(获取每本书目录的URL)。

3.编写写入功能(按章节写入文件)。

4.完善代码(修修bug，建了文件夹)。

ps:所需模块 ：

import requestsimport bs4          # 爬网站必备两个模块不解释import os           # 用来创建文件夹的import sys          # 没啥用单纯为了好看import timeimport random       # 使用随机数设置延时123456

一、网站搜索原理，并用Python实现。

我本以为这个网站和一般网站一样，通过修改URL来进行搜索，结果并不然。

可以看出这个网站不会因搜索内容改变而改变URL。
那还有一种可能：通过POST请求，来更新页面。让我们打开Network验证一下。

我的猜想是对的。接下来开始模拟。

headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",    "Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",    "Host": "www.xbiquge.la"}      # 设置头尽量多一点 以防万一x = str(input("输入书名或作者名:"))   # 通过变量来控制我们要搜索的内容data = {'searchkey': x}url = 'http://www.xbiquge.la/modules/article/waps.php'r = requests.post(url, data=data, headers=headers)soup = bs4.BeautifulSoup(r.text.encode('utf-8'), "html.parser") # 用BeautifulSoup方法方便我们提取网页内容网页123456789

可是如果现在我printf(soup)后发现里面的中文全为乱码！

这不难看出是编码格式不对，但我们可以用encoding方法来获取编码方式。

改完编码后就可以正常提取了，并且和浏览器显示的一致，都是我们搜索的内容。

二、接下来我们就来在这一堆代码里找到我们想要的内容了(书名，作者，目录URL)

通过元素审查我们很容易就可以定位到它们所在位置。

链接和书名在"td class even"< a> 标签里，作者在"td class=even"里。

什么！标签重名了！怎么办！管他三七二十一！先把"td class=even"全打印出来看看。

book_author = soup.find_all("td", class_="even")for each in book_author:     print(each)123

可以发现每个each分为两层。

那我们可以奇偶循环来分别处理这两层。(因为如果不分层处理的话第一层要用的方法(each.a.get(“href”)在第二层会报错，好像try也可以处理这个错,没试)

并且用创建两个三个列表来储存三个值。

books = []          #　 书名authors = []        #  作者名directory = []      #  目录链接tem = 1for each in book_author:    if tem == 1:        books.append(each.text)        tem -= 1        directory.append(each.a.get("href"))    else:        authors.append(each.text)        tem += 1123456789101112

成功！三个列表全部一样对应！
那么要如何实现选择一个序号，来让Python获得一个目录链接呢？
我们可以这样：

print('搜索结果：')for num,book, author in zip(range(1, len(books)+1),books, authors):     print((str(num)+": ").ljust(4)+(book+"").ljust(25) + ("作者：" + author).ljust(20))search = dict(zip(books, directory))1234

是不是很神奇！“search”是我们用书名和目录URL组成的字典，我们只要return search[books[i-1]]
就可以让下一个函数得到这本书的目录URL了。

三、获取章节URL，获取文本内容，写入文件。

我们得到目录的URL后就可以用相同的方法获取每一章节的URL了(不赘述了)。

def get_text_url(titel_url):    url = titel_url    global headers    r = requests.get(url, headers=headers)    soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")    titles = soup.find_all("dd")    texts = []    names = []    texts_names = []    for each in titles:        texts.append("http://www.xbiquge.la"+each.a["href"])        names.append(each.a.text)    texts_names.append(texts)    texts_names.append(names)    return texts_names          #  注意这里的返回值是一个包含两个列表的列表！！123456789101112131415

注意这里的返回值是一个包含两个列表的列表！！texts_names[0] 就是每一章节的 URL, texts_names[0] 是章节名
为下一个写内容的函数方便调用。
接下来接是写文件了！

search = dict(zip(books, directory))url = texts_url[0][n]name = texts_url[1][n]req = requests.get(url=url, headers=headers)time.sleep(random.uniform(0, 0.5))  # 即使设置了延迟，他还有会可能503(没办法小网站)req.encoding = 'UTF-8'  # 这里的编码是UTF-8，跟目录不一样，要注意！html = req.textsoup = bs4.BeautifulSoup(html, features="html.parser")texts = soup.find_all("div", id="content")while (len(texts) == 0):  # 他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。    req = requests.get(url=url, headers=headers)    time.sleep(random.uniform(0, 0.5))    req.encoding = 'UTF-8'    html = req.text    soup = bs4.BeautifulSoup(html, features="html.parser")    texts = soup.find_all("div", id="content")else:    content = texts[0].text.replace('xa0' * 8, '')    content = content.replace(        "亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！", "")    # 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾with open(name + '.txt', "w", encoding='utf-8')as f:    f.write(content)    sys.stdout.write("已下载{}章，还剩下{}章".format(count, max - count))  # sys模块就在这用了一次，为了不让他换行。。。    count += 112345678910111213141516171819202122232425

n就是章节的序列，直接for循环就可以把所有章节写成文件了
这里处理503的方法虽然很暴力，可是是最有用的！

四、整理代码，修修bug。

把上面的思路写成三道四个函数打包一下。
然后测试一下，看看有什么bug，能修就修复，修复不了就直接try掉。(哈哈哈)
想要文件夹的可以研究研究os模块，很简单，这里不赘述了。
最后附上完整代码！

import requestsimport bs4          # 爬网站必备两个模块不解释import os           # 用来创建文件夹的import sys          # 没啥用单纯为了好看import timeimport random       # 使用随机数设置延时headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",    "Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",    "Host": "www.xbiquge.la"}      # 设置头尽量多一点 以防万一b_n = ""def get_title_url():    x = str(input("输入书名或作者名:"))    data = {'searchkey': x}    url = 'http://www.xbiquge.la/modules/article/waps.php'    global headers, b_n    r = requests.post(url, data=data, headers=headers)    soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")    book_author = soup.find_all("td", class_="even")    books = []          #　 书名    authors = []        #  作者名    directory = []      #  目录链接    tem = 1    for each in book_author:        if tem == 1:            books.append(each.text)            tem -= 1            directory.append(each.a.get("href"))        else:            authors.append(each.text)            tem += 1    print('搜索结果：')    for num,book, author in zip(range(1, len(books)+1),books, authors):        print((str(num)+": ").ljust(4)+(book+"").ljust(25) + ("作者：" + author).ljust(20))    search = dict(zip(books, directory))    if books == []:        print("没有找到任何一本书，请重新输入!")        get_title_url()    try:        i = int(input("输入需要下载的序列号(重新搜索输入'0')"))    except:        print("输入错误重新输入:")        i = int(input("输入需要下载的序列号(重新搜索输入'0')"))    if i == 0:        books = []        authors = []        directory = []        get_title_url()    if i>len(books) or i<0:        print("输入错误重新输入:")        i = int(input("输入需要下载的序列号(重新搜索输入'0')"))    b_n=books[i-1]    try:        os.mkdir(books[i-1])        os.chdir(b_n)    except:        os.chdir(b_n)        b_n = books[i - 1]    return search[books[i-1]]def get_text_url(titel_url):    url = titel_url    global headers    r = requests.get(url, headers=headers)    soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")    titles = soup.find_all("dd")    texts = []    names = []    texts_names = []    for each in titles:        texts.append("http://www.xbiquge.la"+each.a["href"])        names.append(each.a.text)    texts_names.append(texts)    texts_names.append(names)    return texts_names          #  注意这里的返回值是一个包含两个列表的列表！！def readnovel(texts_url):    global headers,b_n    count=1    max=len(texts_url[1])    print("预计耗时{}分钟".format((max // 60)+1))    tishi = input(str(b_n)+"一共{}章，确认下载输入'y',输入其他键取消".format(max))    if tishi == "y"or tishi =="Y":        for n in range(max):            url = texts_url[0][n]            name = texts_url[1][n]            req = requests.get(url=url,headers=headers)            time.sleep(random.uniform(0, 0.5))          # 即使设置了延迟，他还有会可能503(没办法小网站)            req.encoding = 'UTF-8'                      # 这里的编码是UTF-8，跟目录不一样，要注意！            html = req.text            soup = bs4.BeautifulSoup(html, features="html.parser")            texts = soup.find_all("div", id="content")            while (len(texts) == 0):                    #   他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。                req = requests.get(url=url, headers=headers)                time.sleep(random.uniform(0,0.5))                req.encoding = 'UTF-8'                html = req.text                soup = bs4.BeautifulSoup(html, features="html.parser")                texts = soup.find_all("div", id="content")            else:                content = texts[0].text.replace('xa0' * 8, '')                content=content.replace("亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！","")                # 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾            with open(name+'.txt',"w",encoding='utf-8')as f:                f.write(content)                sys.stdout.write("已下载{}章，还剩下{}章".format(count,max-count))     # sys模块就在这用了一次，为了不让他换行。。。                count += 1        print("全部下载完毕")    else:        print("已取消!")        os.chdir('..')        os.rmdir(b_n)        main()def main():    titel_url = get_title_url()    texts_url = get_text_url(titel_url)    readnovel(texts_url)    input("输入任意键退出")if __name__ == '__main__':    print("小说资源全部来自于'新笔趣阁'---》http://www.xbiquge.la所以搜不到我也没办法..........@晓轩为了确保下载完整，每章设置了0.5秒到1秒延时！")    main()

源码后台私信小编 01