一、目标
1- 爬取一个章节的小说
2- 爬取整一本小说
二、爬取单章节的小说
2.1 数据准备
这里在网上随意搜了一个网站,其链接如下:
https://www.biqukan.com/1_1408/16046054.html
2.2 网页分析
可以看到,正文的内容都包含在div标签里头,整个html页面包含多个div标签头,我们可以通过其属性找到我们需要的那个;最后再通过text方法获得标签内的文本信息,最后再通过结束符进行提取。
2.3 代码实现
import requests
from bs4 import BeautifulSoup
def get_html_text(url):
try:
kv = {'user-agent': 'Mozilla/5.0'} # 设置代理
r = requests.get(url, headers=kv, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding # 找到当前html的编码格式
return r.text # 返回html文本信息
except:
return ""
def get_article_info(url):
html = get_html_text(url)
soup = BeautifulSoup(html, 'html5lib') # 这里需要用html5lib解析器才能正常解析,如直接使用'html.parser'则会造成解析内容缺失
texts = soup.find("div", attrs={"class": "showtxt"}) # 定位到我们需要的标签
result = texts.text.split("――")[0] # 获取标签内的文本信息,利用分割符提取我们需要的正文内容,将文件保存为.txt文件。
with open("第一章 归来.txt", "wb") as f:
f.write(result.encode('utf-8')) # 设定编码格式,以免出现乱码现象
def main():
url = "https://www.biqukan.com/1_1408/16046054.html"
get_article_info(url)
print("爬取完毕!")
if __name__ == "__main__":
main()
三、爬取整一本小说
3.1 数据准备
网站链接:https://www.biqukan.com/1_1408/
3.2 网页分析
可以观察到这部小说的主页上都包含了每一个章节的url标识,我们可以从中提取出每个url标识将其存到一个列表中,顺便将相对应的章节名称也保存起来。最后我们创建一个文件夹,文件夹名称为小说名,我们将爬取到的每一个章节都单独的保存到一个记事本文件中去,文件名记为章节名称。具体的细节请看代码实现
3.3 代码实现
import os
from pathlib import Path
import requests
from bs4 import BeautifulSoup
def get_html_text(url):
try:
kv = {'user-agent': 'Mozilla/5.0'}
r = requests.get(url, headers=kv, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def get_url_list(lst, tst, url):
html = get_html_text(url)
soup = BeautifulSoup(html, "html5lib")
div = soup.find('div', class_={"listmain"})
dl = div.contents[1]
for d in dl:
if d.name == 'dd' and d.a.text[0] == "第":
lst.append(d.a['href'])
tst.append(d.a.text)
return lst, tst
def get_article_info(url, title, ):
html = get_html_text(url)
soup = BeautifulSoup(html, 'html5lib')
texts = soup.find('div', {'class': 'showtxt'})
result = texts.text.split('--')[0]
my_file = Path("./飞剑问道")
if not my_file.is_dir():
os.mkdir("./飞剑问道")
filename = "./飞剑问道/" + title + '.txt'
with open(filename, 'wb') as f:
f.write(result.encode('utf-8'))
def main():
link_list = []
text_list = []
capital_url = 'https://www.biqukan.com/1_1408/'
pre_url = "https://www.biqukan.com"
get_url_list(link_list, text_list, capital_url)
count = 0
for i, code in enumerate(link_list):
try:
url = pre_url + code
get_article_info(url, text_list[i])
count = count + 1
print("\r目前下载进度为{:.2f}%".format((count/len(link_list))*100), end='')
except:
count = count + 1
print("\r目前下载进度为{:.2f}%".format((count/len(link_list))*100), end='')
continue
if __name__ == "__main__":
main()
效果图如下:
打开可见到正文
这期就分享到这里,谢谢大家,有任何疑问欢迎评论区留言。