功能:
自动爬取某网站,并且将该网站的文本数据存储到本地。
基本实现步骤:
1)自动爬取网站,获得网站数据;
2)数据存储到本地。
遇到问题及解决办法:
1)自动爬取,暂时水平不够高,采用的伪爬取方法即找到网页网址的规律;
2)关于文本的处理,输出成想要的格式
正题方法:
1)网页分为静态网页(存粹的html格式的)、动态网页(使用AJAX),即动态加载网页的数据不一定出现按外html中等。
本文爬取的网页是动态网页,采用的方法是浏览器渲染引擎(渲染引擎的职责就是渲染,即在浏览器窗口中显示所请求的内容。这是每一个浏览器的核心部分,所以渲染引擎也称为浏览器内核)。因而需要安装selenium库,
FireFox浏览器,下载getodriver。selenium库使用方法:https://blog.csdn.net/weixin_36279318/article/details/79475388
访问网址url:https://www.biqukan.com/2_2757/1107517.html,鬼吹灯的链接。
需要爬取内容:标题、文本。
标题的元素特征:div,class = “content”或h1
文本元素特征:div,id = “content” class = “showtxt”
2)通过BeautifulSoup,安装模块后,获得soup对象,按照上面的元素属性,调用方法find_all()或find可以所以符合上述元素特征的元素列表。(https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#find-all)
3)根据BeautifulSoup手册上的,get_text()方法获得tag标签的文本内容,因为获取的文本内容存在空格,采用的笨方法
用strip()方法去除空格,返回列表,并用字符串+方法将列表的字符串拼接,完成文本提取工作
4)下面按照顺序依次爬取所有章节文本数据。
源代码如下:
from selenium import webdriver
from selenium.webdriver.firefox.firefox_binary import FirefoxBinary
from bs4 import BeautifulSoup
import time
import sys
import re
caps = webdriver.DesiredCapabilities().FIREFOX
caps["marionette"] = False
binary = FirefoxBinary(r'D:\Anaconda3\Scripts\firefox.exe')
driver = webdriver.Firefox(firefox_binary = binary,capabilities=caps)
Debug =1
MaxTextNum = 100
def singlePageGet(driver,url):
'''
函数说明:单页提取数据
:return:单页标题、文本
'''
driver.get(url)
webData = driver.page_source
soup = BeautifulSoup(webData,'lxml')
titlesList = (soup.find_all('h1'))
textsList = soup.find_all('div',class_ = "showtxt")
if textsList:
#print(titlesList,textsList)
titles = titlesList[0].get_text().split()
texts = textsList[0].get_text().strip().split()
finalText = ''
finalTitle = ''
for text in texts:
finalText = finalText + text
for title in titles:
finalTitle = finalTitle + title
return finalTitle,finalText
else :
return
def writeToFile(title,content):
fileName = '鬼吹灯.txt'
with open(fileName,'a+',encoding='utf-8') as f:
f.write(title)
f.write('\n')
f.write(content)
f.write('\n\n')
#8035
urlsAccess = ['https://www.biqukan.com/2_2757/{}.html'.format(value) for value in range(1108307,1108346,1)]
#1108346 117517
numing = 0
for url in urlsAccess:
if singlePageGet(driver,url):
titles,texts = singlePageGet(driver,url)
if titles:
writeToFile(titles,texts)
time.sleep(2)
numing = numing + 1
print('下载进度:%4.2f'%(numing/len(urlsAccess)))
else :
numing = numing + 1
print('下载完成')