爬虫第四天：爬取我要看的小说

前言：平时看小说都是手机上找个免费软件看的，但是现在的APP要么是只给你几天免费，然后就收钱；要么就是免费但是不断出现广告，忍无可忍！PC端可以找到可以看的免费小说，但是一来必须坐到电脑前不方便，二来总是会自动弹到广告页面，手机浏览器上网看小说也是一样。
所以决定还是自己写个程序把要看的小说爬下来吧~
不多说了，代码如下：

2019年3月27日更新：笔趣阁变更URL了，而且搞了一些http和https之类的变化，导致以前的不能用了，所以更新一下，同时增加了断点续爬的代码，后续计划还要增加代理地址库、分布式爬虫等手段（或者直接用spider等框架？）
2018年11月10日更新：增加了selenium的代码，可以通过输入书名和最近看的章节名字，自动爬取需要的小说章节
注：selenium的使用必须安装相应的浏览器控件，比如我这里用了Chrome，所以首先必须安装Chrome浏览器，然后还要下载版本相应的chromedriver

import requests
from bs4 import BeautifulSoup
import re
import datetime
from selenium import webdriver
import time
import os

#首先通过chrome获得headers，包括user-agent和cookie
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
    'Cookie': '__jsluid=2e1d5b068aad24f7ba11f9a858d4e6e9; jieqiVisitTime=jieqiArticlesearchTime%3D1553649546',
    'Host': 'www.biquyun.com'
}

def get_bookurl(book_name):
    '''通过selenium获得书名对应的链接'''
    browser = webdriver.Chrome()
    url = "http://www.biquyun.com/"
    browser.get(url)
    input = browser.find_element_by_xpath('//*[@id="wd"]') # 点击“搜索栏”
    input.send_keys(book_name)
    button = browser.find_element_by_xpath('//*[@id="sss"]') # 点击“搜索栏”
    button.click()
    time.sleep(1)
    #因为这个网站使用的是弹出新窗口，所以需要跳转到新的页面才能获得url
    windows = browser.current_window_handle
    all_handers = browser.window_handles
    for handle in all_handers:
        if handle != windows:
            browser.switch_to_window(handle)
    time.sleep(1)
    current_url = browser.current_url
    browser.quit()
    print(current_url)
    book_id = re.search('^https://www.biquyun.com/(.*?)/',current_url).group(1)
    print(book_id)
    return book_id

def get_novel(href,book_id):
    '''获得小说的标题和正文'''
    url = r"http://www.biquyun.com/"+book_id+"/"+href+".html"
    r = requests.get(url=url, verify=False)
    r.encoding = 'gbk'
    # time.sleep(1)
    soup = BeautifulSoup(r.text, 'lxml')
    #获取小说的标题
    novel_title = soup.find(name='div',attrs={'class':'bookname'}).h1.text.replace(u'\xa0', u' ').replace(u'\ufffd', u' ')
    # print(novel_title)
    #获取小说的正文
    novel_content = soup.find(name='div',attrs={'id':'content'}).text.replace(u'\xa0', u' ').replace(u'\ufffd', u' ').strip()
    # print(novel_content)
    return novel_title, novel_content

def make_novel(novel_title,novel_content,book_name):
    '''导出小说'''
    with open(book_name+'.txt', 'a', encoding='gbk') as file:
        file.write(novel_title)
        file.write('\r\n')
        file.write(novel_content)
        file.write('\r\n')
        file.write('\r\n')

def get_noveltitle(novel_title):
    '''导出已爬取小说章节的名字，以便后续断点续爬'''
    with open('已爬取小说章节.txt', 'a', encoding='gbk') as file:
        file.write('\n')
        file.write(novel_title)

def get_last_line(filename):
    '''获取文本内的最后一行'''
    try:
        filesize = os.path.getsize(filename)
        if filesize == 0:
            return None
        else:
            with open(filename, 'rb') as fp:  # to use seek from end, must use mode 'rb'
                offset = -50  # initialize offset
                while True:  # offset cannot exceed file size
                    fp.seek(offset, 2)  # read # offset chars from eof(represent by number '2')
                    lines = fp.readlines()  # read from fp to eof
                    if len(lines) >= 2:  # if contains at least 2 lines
                        return lines[-1].decode('gbk')  # then last line is totally included
                    else:
                        offset *= 2  # enlarge offset
    except FileNotFoundError:
        print(filename + ' not found!')
        return None

# print(get_last_line('已爬取小说章节.txt'))

def crawler(last_chapter, n):
    '''爬取小说，支持断点续爬！'''
    if n <= 5:
        n = n + 1
        dd = soup.find(name='a', text=re.compile(last_chapter)).find_all_next(name='dd')
        for i in range(len(dd)):
            href_temp = str(dd[i])
            # print(href_temp)
            href = re.search('^<dd><a href="/.*?/(.*?).html">.*?</a></dd>', href_temp).group(1)
            # print(href)
            try:
                novel_title = str(get_novel(href, book_id)[0]).strip()
                novel_content = get_novel(href, book_id)[1]
                get_noveltitle(novel_title)
                if novel_title.startswith('第'):
                    make_novel(novel_title, novel_content, book_name)
                    print('已爬取小说：《{}》'.format(novel_title))
                else:
                    print('《{}》不是小说正文，已忽略'.format(novel_title))
            except:
                print('第{}次出现错误，开始断点续爬！'.format(n))
                last_chapter = get_last_line('已爬取小说章节.txt')
                print('从《{}》继续开始爬'.format(last_chapter))
                time.sleep(3)
                crawler(last_chapter, n)
    else:
        print('已经迭代5次了，可能被ban ip了，请检查！')
        return None

if __name__=='__main__':
    starttime = datetime.datetime.now()
    book_name = input("请输入书名：")
    last_chapter = input('请输入最近看的一章的名称（如果新书直接回车）：')
    book_id = get_bookurl(book_name)
    url = r"https://www.biquyun.com/" + book_id + "/"
    requests.packages.urllib3.disable_warnings()
    r = requests.get(url=url, verify=False)
    r.encoding = 'gbk'
    soup = BeautifulSoup(r.text, 'lxml')
    n = 1
    crawler(last_chapter, n)
    endtime = datetime.datetime.now()
    total_time = (endtime - starttime).seconds
    print("小说爬取完毕，总共耗时{}秒".format(total_time))

下完后是一个txt文件，导入到手机比较好的阅读类APP中即可！