python爬取小说写入txt_用python爬整本小说写入txt文件

没太完善，但是可以爬下整本小说。日后会写入数据库，注释不要太在意，都是调试的。入库估计这周之后，这次爬的是笔趣阁的第1150本书，大家只要可以改get_txt（）里数字就行，查到自己要看哪本书一改就可以了！

# coding:utf-8

import requests

import threading

from bs4 import BeautifulSoup

import MySQLdb

import re

import os

import time

import sys

import mysql # 由于爬取的数据太多，我们要把他存入MySQL数据库中，这个库用于连接数据库

import mysql.connector

import logging

# con = mysql.connector.connect(

# user="root",

# password='123456',

# host='localhost',

# port='3306',

# database='test11'

# )

# insertSql = "INSERT INTO spider('id','title','txt_section','section_name','section_name') VALUES (%s,%s,%s,%s,%s)"

# cursor = con.cursor()

req_header = {

'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

'Accept-Encoding': 'gzip, deflate',

'Accept-Language': 'zh-CN,zh;q=0.8',

'Cookie': '__cfduid=d577ccecf4016421b5e2375c5b446d74c1499765327; UM_distinctid=15d30fac6beb80-0bdcc291c89c17-9383666-13c680-15d30fac6bfa28; CNZZDATA1261736110=1277741675-1499763139-null%7C1499763139; tanwanhf_9821=1; Hm_lvt_5ee23c2731c7127c7ad800272fdd85ba=1499612614,1499672399,1499761334,1499765328; Hm_lpvt_5ee23c2731c7127c7ad800272fdd85ba=1499765328; tanwanpf_9817=1; bdshare_firstime=1499765328088',

'Host': 'www.qu.la',

'Proxy-Connection': 'keep-alive',

'Referer': 'http://www.qu.la/book/',

'Upgrade-Insecure-Requests': '1',

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'

}

req_url_base = 'http://www.qu.la/book/' # 小说主地址

# 小说下载函数

# txt_id：小说编号

# txt字典项介绍

# id：小说编号

# title：小说题目

# first_page：第一章页面

# txt_section：章节地址

# section_name：章节名称

# section_text：章节正文

# section_ct：章节页数

def get_txt(txt_id):

txt = {}

txt['title'] = ''

txt['id'] = str(txt_id)

try:

# print("请输入需要下载的小说编号：")

# txt['id']=input()

req_url = req_url_base + txt['id'] + '/' # 根据小说编号获取小说URL

print("小说编号：" + txt['id'])

res = requests.get(req_url, params=req_header) # 获取小说目录界面

soups = BeautifulSoup(res.text, "html.parser") # soup转化

# 获取小说题目

txt['title'] = soups.select('#wrapper .box_con #maininfo #info h1')[0].text

txt['author'] = soups.select('#wrapper .box_con #maininfo #info p')

# 获取小说最近更新时间

txt['update'] = txt['author'][2].text

# 获取最近更新章节名称

txt['lately'] = txt['author'][3].text

# 获取小说作者

txt['author'] = txt['author'][0].text

# 获取小说简介

txt['intro'] = soups.select('#wrapper .box_con #maininfo #intro')[0].text.strip()

print("编号：" + '{0:0>8} '.format(txt['id']) + "小说名：《" + txt['title'] + "》 开始下载。")

print("正在寻找第一章页面。。。")

# 获取小说所有章节信息

first_page = soups.select('#wrapper .box_con #list dl dd a')

# 获取小说总章页面数

section_ct = len(first_page)

# 获取小说第一章页面地址

first_page = first_page[0]['href'].split('/')[3]

print("小说章节页数：" + str(section_ct))

print("第一章地址寻找成功：" + first_page)

# 设置现在下载小说章节页面

txt_section = first_page

# 打开小说文件写入小说相关信息

fo = open('{0:0>8}-{1}.txt.download'.format(txt['id'], txt['title']), "ab+")

fo.write((txt['title'] + "\r\n").encode('UTF-8'))

fo.write((txt['author'] + "\r\n").encode('UTF-8'))

fo.write((txt['update'] + "\r\n").encode('UTF-8'))

fo.write((txt['lately'] + "\r\n").encode('UTF-8'))

fo.write(("*******简介*******\r\n").encode('UTF-8'))

fo.write(("\t" + txt['intro'] + "\r\n").encode('UTF-8'))

fo.write(("******************\r\n").encode('UTF-8'))

# 进入循环，写入每章内容

while (1):

try:

# 请求当前章节页面

r = requests.get(req_url + str(txt_section), params=req_header)

# soup转换

soup = BeautifulSoup(r.text, "html.parser")

# 获取章节名称

section_name = soup.select('#wrapper .content_read .box_con .bookname h1')[0]

section_text = soup.select('#wrapper .content_read .box_con #content')[0]

for ss in section_text.select("script"): # 删除无用项

ss.decompose()

# 获取章节文本

section_text = re.sub('\s+', '\r\n\t', section_text.text).strip('\r\n') #

# 获取下一章地址

txt_section = soup.select('#wrapper .content_read .box_con .bottem2 #A3')[0]['href']

# 判断是否最后一章，当为最后一章时，会跳转至目录地址，最后一章则跳出循环

if (txt_section == './'):

print("编号：" + '{0:0>8} '.format(txt['id']) + "小说名：《" + txt['title'] + "》 下载完成")

break

# 以二进制写入章节题目

fo.write(('\r' + section_name.text + '\r\n').encode('UTF-8'))

# 以二进制写入章节内容

fo.write((section_text).encode('UTF-8'))

print(txt['title'] + ' 章节：' + section_name.text + ' 已下载')

# print(section_text.text.encode('UTF-8'))

except:

print("编号：" + '{0:0>8} '.format(txt['id']) + "小说名：《" + txt['title'] + "》 章节下载失败，正在重新下载。")

fo.close()

os.rename('{0:0>8}-{1}.txt.download'.format(txt['id'], txt['title']),

'{0:0>8}-{1}.txt'.format(txt['id'], txt['title']))

# try:

#

# # cursor.execute("INSERT INTO wangzhi VALUES urlVal")

# cursor.execute(insertSql%(id,title,txt_section,section_name,section_name))

#

# con.commit()

# except Exception as err:

#

# print(err)

# # con.rollback()

#

# con.close()

# cursor.close()

except: # 出现错误会将错误信息写入dowload.log文件，同时答应出来

fo_err = open('dowload.log', "ab+")

try:

fo_err.write(('[' + time.strftime('%Y-%m-%d %X', time.localtime()) + "]：编号：" + '{0:0>8} '.format(

txt['id']) + "小说名：《" + txt['title'] + "》 下载失败。\r\n").encode('UTF-8'))

print('[' + time.strftime('%Y-%m-%d %X', time.localtime()) + "]：编号：" + '{0:0>8} '.format(

txt['id']) + "小说名：《" + txt['title'] + "》 下载失败。")

os.rename('{0:0>8}'.format(txt['id']) + '-' + txt['title'] + '.txt.download',

'{0:0>8}'.format(txt['id']) + '-' + txt['title'] + '.txt.error')

except:

fo_err.write(('[' + time.strftime('%Y-%m-%d %X', time.localtime()) + "]：编号：" + '{0:0>8} '.format(

txt['id']) + "下载失败。\r\n").encode('UTF-8'))

print('[' + time.strftime('%Y-%m-%d %X', time.localtime()) + "]：编号：" + '{0:0>8} '.format(

txt['id']) + "下载失败。")

finally: # 关闭文件

fo_err.close()

# 此处为需要下载小说的编号，编号获取方法在上文中已经讲过。

get_txt(1150)