用爬虫爬取网站小说
目标网站
url
https://www.juyit.com/xiaoshuo/159/159107/
爬行主页面
原理简述
选择有所有个章节标题的总览页面为爬虫主页面
爬取所有章节的名称和url
爬取书名
通过url进入章节后爬取章节内容
将内容写入txt文件,将无用字符替换为空,再进行保存
通过循环进入下一章节
直到所有章节爬行完毕
代码
import re
import requests
# 路径
url = 'https://www.juyit.com/xiaoshuo/159/159107/'
response = requests.get(url)
# 设置编码格式为“gbk”
response.encoding = 'gbk'
html = response.text
#获取目录列表
dl = re.findall(r'<dt><h3>霸王与娇花全文阅读</h3></dt>.*?</dl>',html,re.S)[0]
#获取章节url和名称
chapter_info_list = re.findall(r'href="(.*?)">(.*?)<',dl)
#获取书名
title = re.findall(r'<h1>(.*?)</h1>',html)[0]
#创建txt
fb = open('%s.txt' % title,'w',encoding='gbk')
#循环导出文件
for chapter_info in chapter_info_list:
# 获取文章章节名
chapter_title = chapter_info[1]
# 获取章节url
chapter_url = chapter_info[0]
chapter_url = "https://www.juyit.com/xiaoshuo/159/159107/%s" % chapter_url
chapter_response = requests.get(chapter_url)
# 设置编码格式为“gbk”
chapter_response.encoding = 'gbk'
chapter_html = chapter_response.text
#获取文本内容
chapter_content = re.findall(r'book_hzh\(\);</script>(.*?)</p>',chapter_html,re.S)[0]
#替换字符
chapter_content = chapter_content.replace(' ','')
chapter_content = chapter_content.replace('<br />','\n\t')
# 写入txt
fb.write(chapter_title)
fb.write("\n")
fb.write(chapter_content)
fb.write("\n")
print(chapter_url)
爬行结果预览
结论与感想
1、编码格式要根据网页进行更改,中文一般为“utf-8”和“gbk”,否则会出现乱码
2、在设置爬取内容时,正则表达式前后选择要唯一,否则会出现列表超出的错误情况
3、活用替换和写入时的空格“ ”和换行“\n”,可对文本格式进行简单调整,让阅读更流畅
3、本爬虫为基础爬虫代码,不适用于复杂网页,需要自己再进行修改
4、不推荐爬虫爬取小说的做法,建议购买正版