python爬取小说项目概述_Python实战项目网络爬虫 之 爬取小说吧小说正文

本次实战项目适合，有一定Python语法知识的小白学员。本人也是根据一些网上的资料，自己摸索编写的内容。有不明白的童鞋，欢迎提问。

目的：爬取百度小说吧中的原创小说《猎奇师》部分小说内容

链接：http://tieba.baidu.com/p/4792877734

首先，自己定义一个类，方便使用。其实类就像一个“水果篮”，这个“水果篮”里有很多的“水果”，也就是我们类里面定义的变量啊，函数啊等等，各种各样的。每一种"水果"都有自己的独特的口味，也即是各个函数实现的功能各不相同。

然后，按照这个思路，既然要爬取小说，那么肯定要有目标网页的地址，也就是上面我给的那个连接。其实就像买水果之前，我们要找到水果店。

打开目标贴吧后，会发现里面有很多的贴子，有楼主发的，还有读者评论的，很多很杂。不过，没关系。度娘给了我们一个强大的功能，只看楼主。这就是我们的切入点。点击只看楼主按钮，哈哈，此时呈现在眼前的就是楼主的主要内容啦。

相应的，此时的网页也有所改变，地址上多了一个只看楼主的标记 http://tieba.baidu.com/p/4792877734?see_lz=1

所以，我们在定义类中的初始化函数时，就要有这个标记。

接下来，我们开始在选择不同口味的水果。我们要先获取网页的源代码，就需要有一个getPage的函数。函数里需要有我们的页码，注意我们选择不同也的小说，会发现，我们的地址也是有稍稍变动的，比如：第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2     多了&pn=2。这个我们要整合一下。

(未完>>>>>>>>>明晚继续)

下面是我的代码：

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

2 importurllib3 importurllib24 importre5

6 #百度小说吧 原创小说《猎奇师》

7 #连接http://tieba.baidu.com/p/4792877734?see_lz=1

8 #第二页连接：http://tieba.baidu.com/p/4792877734?see_lz=1&pn=2

9 classLQS:10 def __init__(self,daseUrl,seeLZ):11 self.daseUrl =daseUrl12 self.seeLZ ='?see_lz=' +str(seeLZ)13 #传入页码，获取网页源代码

14 defgetPage(self,pageNum):15 try:16 #拼接，地址 + 楼主参数 + 页数

17 url = self.daseUrl + self.seeLZ + '&pn=' +str(pageNum)18 request =urllib2.Request(url)19 response =urllib2.urlopen(request)20 returnresponse.read()21 except Exception,e:#处理异常

22 printe23 #获取标题

24 defgetTitle(self,pageNum):25 html =self.getPage(pageNum)26 reg = re.compile(r'

【原创】恐怖故事 (.*?)_小说吧_百度贴吧')27 items =re.findall(reg,html)28 #将标题写入文件

29 for item initems:30 f = open('lqshi.txt','w') #文件名最好是英文，中文识别不了

31 f.write('标题' + '\t\t' +item)32 f.close()33 returnitems34 #获取正文

35 defgetContent(self,pageNum):36 html =self.getPage(pageNum)37 reg = re.compile(r'class="d_post_content j_d_post_content "> (.*?)