前言:
本文章将通过分析爬虫的思想,再加以利用两个 Python 库,即 requests 库和 re 库,让你顺利入门爬虫,通过本篇文章,你将学会:
- 独立做出爬取小说的爬虫
- 利用Python取得所要信息
- 利用Python筛选出特定信息
还没有搭建好python环境的请看这里
https://zhuanlan.zhihu.com/p/264318820zhuanlan.zhihu.com背景:
看小说的时候虽然能免费阅读小说内容,但是因为弹窗广告的存在,阅读体验不佳
作为一个资深小说控,我学会 Python 爬虫之前每天必做的事便是打开手机或者电脑,进入小说网站,然后再打开我喜欢看的小说,小说是免费的,但是俗话说便宜没好货,我们在 享受便宜的同时,也在 牺牲一部分,比如说我看小说的时候会 被广告弹框所干扰,这让我的阅读体验 不佳,既然有了问题,那我们便想着去解决,所以我一开始的解决方式是给浏览器安装去广告插件,这么一做之后体验的确好了不少,但是如果是手机端,我则无法使用这个方法,并且去广告插件也不是万能的。那么,还有什么解决方式吗? 答案是肯定的!
解决方式:
现在有请我们今天的主角登场,它就是大名鼎鼎的 Python!
你一定很好奇,Python 是怎么解决这个问题的吧?
且听我慢慢道来......
思路分析:
对症下药
症:看小说的时候会被弹框广告干扰
找到了症,那接下来自然是对症下药了,且再听我慢慢道来。既然广告对阅读有干扰,那么我们自然想
到把广告去除,关键是不能用广告去除插件,那怎么办呢?
这个问题问的好,其实我们可以换个角度思考问题
你看我们的目的是获得没有广告的阅读界面,这时候很多人想到的是直接把广告去除
的确如此,但是现在无法使用去广告插件,所以此路不通。
这时候不要轻言放弃,要记住条条大路通罗马。我们可以换个角度思考
既然你广告不走,那我小说文字就走呗,这不就实现广告与纯文字分离了吗?
通过以上分析,我们找到了药!
药:把小说文字内容从小说所在地方提取出来
所以
是时候对症下药了,那么这个药是怎么制成的呢?且再听我慢慢道来!
预备知识
说明:不了解没关系,本文附有相关链接供你学习,代码实战部分也会讲解基本用法
- requests 库
如果把requests 库比作一个人,那么它的主要工作便是取货
库的安装方法:打开命令行,输入 pip install requests 然后等待安装完成,出现successfully说明安装成功。
这是相关链接
Python爬虫之requests库的使用 - 墨鱼菜鸡 - 博客园www.cnblogs.com- re 库
如果把re库比作一个人,那么它的主要工作便是从给定信息中提取出特定信息
这是相关链接
Python 正则表达式 | 菜鸟教程www.runoob.com实战部分:
爬虫,说白了就是利用技术去获取位于网络上的信息,就像你要找一本书一样,你若想找到书,就得知道它的位置,在网络中,信息的位置被称为 URL
URL 标记着信息的位置,故此,我们要想获得想要的信息们需要知道信息的 URL,那么我们怎么获得 URL 的呢?凭空臆想自然是不行的咯!虽然可能成功,但成功概率非常低!
说到获取 URL 就不得不谈到 ’归纳推理‘这一方法,它与人类的发展息息相关,因为人类可以通过归纳,在大量的基本数据支持下,合理地归纳出某个事物的特点。
例如
通过观察人类的行走方式,可以归纳出人类具有直立行走的特点
那归纳推理在爬虫中是怎么应用的呢?
我们不妨回忆以下看小说的部分流程:
1. 打开小说网站
2.点击要看的书籍并进入章节目录
3.点开具体章节开始小说正文的阅读
这是一个通用流程,下面我们来具体化流程
1.打开笔趣阁( http://www.xbiquge.la)
2.点击小说《三寸人间》( http://www.xbiquge.la/10/10489/)并看到章节目录
3.点击第一章 “我要减肥”( http://www.xbiquge.la/10/10489/4535761.html )开始阅读
你一定会想,这哪有体现归纳推理呢?
别急,且再听我慢慢道来,归纳推理是建立在样本足够多的基础上,上面我给的小说章节 URL 还不够多,所以我再给几个:
第一章小说地址:http://www.xbiquge.la/10/10489/4535761.html
第二章小说地址:http://www.xbiquge.la/10/10489/9683462.html
第三章小说地址:http://www.xbiquge.la/10/10489/9687224.html
3 个或许不算多,但我相信以你的冰雪聪明,一定已经发现这 3 个 地址的共性了吧? 好,接下来让我们 求同存异
同:
http://www.xbiquge.la/10/10489/
异:
4535761.html
9683462.html
9687224.html
所以如果我们用 x 来代表小说章节 URL 的共性,y 代表不同点,z 代表小说章节完整 URL 那么应该有:
z=x+y
x 我们已经知道了,所以要求 z,当然是要去求 y,那么 y 是怎么求的呢? 这就用到我们的 requests 库了,它在本文的爬虫中的作用是向某个地址发送请求(就像你用浏览器打开网页那样,只不过没有图形界面和一些动态元素),然后获得相关信息。
打个比方
requests是一个人,它具有取货的能力,如果你告诉它货物所在地址,它可以帮你去把货物取回来,取货物用到
的方法是 get
或许你还不理解,没关系,下面有相应的解释
回到求解 y 的问题,求解 y 得知道它在哪里对吧?
那么 y 在哪里呢?
我们回忆一下看小说的第 2 步,即:
点击要看的书籍并进入章节目录
这一步骤中,如果我们点击章节目录中的任意章节,我们很快就能看到小说内容
故此
做出猜想:
小说章节这一货物的地址存放在小说目录这个仓库中
那怎么验证猜想的正确性呢?
当然是使用我们的 requests 库咯!
获取章节地址的思路:
通过requests这个人访问小说总目录这一大仓库,然后从仓库中取货,这样便得到小说章节地址这些货物
请看代码
#导入requests这个人,让他帮我们取货
仔细看我们便发现 y 隐藏在形如:
<dd><a href='/10/10489/4535761.html' >
的一段文本中,所以我们找到了y所在位置,验证前面的猜想是正确的!
接下来要做的便是把它揪出来,那怎么把它揪出来呢?这就轮到我们的re库登场了!
re库的简略介绍
re也是一个人。它的工作是审阅信息,而如果你要叫它帮你办事,你需要知道怎么和它沟通,它有
自己的语言,明白它的语言之后才能给它分配任务
下面简略介绍它的语言:
符号 . 对于我们而言是一个单纯的英文句号,但在re这个人的认知里,它代表着任意符号(除了换行符)
符号 * 对于我们而言是一个单纯的星号,但在re这个人的认知里,它代表着任意多个字符
例如 :
你好*
上面的三个字符对于re这个人而言,它的理解有:
你
你好
你好好
你好好好
......
这下子你明白了吧?
符号 () 对于我们而言是单纯的括号,而在re这个人的认知里,它的作用是吧 ()里面的内容包围起来,
下面会有实例介绍
注: (.*?) 这个表达式可以匹配任意文本,后面会多次涉及
请看编写正则表达式的代码:
#匹配形如 /10/10489/9683462.html 的内容的正则表达式
接下来是求解z的方法,即拼接小说具体章节URL
您瞧:
#定义一个列表来存储小说章节地址
下面是时候通过编写正则表达式来获取小说的内容和标题了,代码如下:
#以下是提取正文内容的正则表达式,是通过分析小说内容特点的源码来写的
最后,通过 requests
这个人拿着货物(小说章节)地址去提货,然后叫re这个审阅筛选人员从提取到的货物中筛选出所要信息并写入文件。
写入文件的方法
save_path
以下是爬取小说的完整代码
import