Python小说爬虫，有目录，有文字极简处理，还有IP解锁方式！-CSDN博客

至于我为什么发这么火，原因如下：

朋友的小说全部放在文件夹中，就是一章一个text文本，没有目录的存在，而且目录章节混乱，我大致看了下，第五章就跳到第七章了，中间的不知道怎么没了。
打开小说一看，密密麻麻挤着一起，没有一点段落感，而且还有一些html代码，没有处理干净，最重要的，居然还有一大批网址在里面，简直就是不走心
第三，爬取的小说根本就不能算一整本，我看了一下文件数量，足足少了二十多章，我评价到看个鬼，你自己看看能不能行！
朋友看完，自己也很无语，至于他为什么会出现这种情况，我想很多爬虫新手们，都会出现这样的情况，而且这些问题都是出自细节中，新手们，不怎么会考虑周到，那么既然朋友也出现了这样的问题，他让我帮他改改，于是改完之后，我写下这篇博客，让更多人真正的爬小说，而不是爬一坨屎，自己都看不下去的那种坨屎！！！！

解决方案如下：

这一期还是做一个干货分享，都是我半年以来的爬虫经验，需要教学可以私聊我，在校学生还是需要一点经济支持的！

如何产生章节：

自己问自己，有多少人爬取小说是这样的，你自己能看吗？

写代码的时候大部分人是这样的

with open('**.text', 'w') as fw:
	fw.write(r.text)

关于文件的写入， ‘w’ 的方式是覆盖写，没有就创建，那么我们写小说就不需要用这个，使用‘a’ 追加写的模式，然后添加适当的分隔符，只有文本中添加目录，整个txt在手机中才会显示出目录的存在，我的实例如下：最好加点文字提示，代表这章节下载成功到总txt中 !

path = 'D://爬取小说//'
        os.chdir(path)  # 进入这个文件夹
        with open('酒神.txt', 'a+', encoding='utf-8') as fw:
            fw.write(''.join(items['title']) + '\n\n\n' + '- ' * 40)
            fw.write(''.join(items['text']))
        print(f'{items["title"]} 下载完成！')

如何章节顺序稳定：

一般我们都是从目录url 中，去获取我们需要的章节网址，这里拿我爬取的网址实例：

这里我们就能获取所有章节的网址了，只要进行适当的拼接处理，那么很多人就舒服了，直接获取整个url列表，直接返回给调用函数，舒服吧？你电脑不舒服，关于return 和 yield 你真的懂吗？如果你请求的网址很多，一定时间请求次数过多，就容易丢失网址，我想大部分人都是返回列表，然后遍历列表吧？万一丢了一个章节网址呢？是不是就会出现章节混乱的情况，使用yield 就不需要考虑这么多因素了，它可以直接调用一次返回一次，有效的避免了可能的因素，我觉得很好用，我也推荐使用， 不是所有的返回都是用return！！！

示例如下：

page_url = html.xpath('//div[@id="list"]/dl/dd/a/@href')
            for url in page_url[222:]:
                url = f'http://www.biquge.info/11_11079/{url}'
                yield url

如何保证文字的处理：

爬取小说这样的文字量很多的情况下，文字的处理显得极为重要了，爬取小说不推荐使用正则re，也不推荐使用soup，原因你获取不了网页自带的换行符和缩进符，比如 \xboo 之类的，如果你获取不了文本自带的这些，那么你就得自己添加，可以使用re的sub进行适当的替换换行，这就很麻烦，这里一定推荐使用xpath的text() 去匹配，方便快捷，爬小说的小助手！

示例如下：

text = html.xpath('//div[@id="content"]/text()')

非常的简单，而且xpath的匹配非常的快，不会的朋友一定要学，soup真的不推荐，大工程起来真的慢！

如何应对ip限制等因素：

他在爬小说的时候，也出现了这样的问题，在一个urls列表中，竟然有的能请求成功，有的不能请求成功，明明都是网址没有错，我也能打得开，但就是出现了这样的bug，很闹腾，但是后面我还是修复了。

bug 出现：所有的网址一定是正确的，我可以确保。

为什么会出现这样的情况，高频发的请求网址，如果不是使用框架，那么就需要设置延迟时间了。比如sleep() 或者 request 加入参数 timeout ，不然很容易被网址通过请求次数进而识别出来这是一个爬虫程序，也就是非人类操作，那么他就可以不让你请求，从而你就爬虫失败！

这样搞：

多次请求，模块分离，你搞我，我也可以搞你！

将获取文本的函数分离出来，在parse_page 进行三次判断，失败就回溯，三次回溯，实测，请求被挡住的概率大幅降低。这是一个不错的方法，当然，还需要加入 sleep（），来控制代码的延迟时间。

    def parse_page_error(self, r):
        # 为处理异常：

        r.encoding = r.apparent_encoding
        html = etree.HTML(r.text)
        title = html.xpath('//div[@class="bookname"]/h1/text()')
        text = html.xpath('//div[@id="content"]/text()')
        items = {}
        items['title'] = title
        items['text'] = text
        self.save_text(items)

    def parse_page(self):
        """
        分析每一章节  然后下载, 次数过快 容易炸ip 三次保底请求 ！
        """
        for url in self.get_page():
            r = requests.get(url, headers=self.headers)
            time.sleep(0.7)
            if r.status_code == 200:
                self.parse_page_error(r)
            else:
                print(f'该 {url}未下载成功！ 再次请求')
                rr = requests.get(url, headers=self.headers)
                if rr.status_code == 200:
                    self.parse_page_error(rr)
                else:
                    print("第三次请求！")
                    rrr = requests.get(url, headers=self.headers)
                    self.parse_page_error(rrr)
        print('全部下载完成！')

这一期干货就到此为此，主要还是满足自己的需求，2020年了，看小说还不会爬虫，你有多捞！

爬虫全程序：

# -*- coding :  utf-8 -*-
# @Software  :  PyCharm
# @CSDN      :  https://me.csdn.net/qq_45906219

import requests
from lxml import etree
import os
import time


class Spider:
    def __init__(self):
        self.start_url = 'http://www.biquge.info/11_11079/'
        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
                                      'AppleWebKit/537.36 (KHTML, like Gecko)'
                                      ' Chrome/81.0.4044.129 Safari/537.36',
                        'Host': 'www.biquge.info',
                        'Referer': 'http://www.biquge.info/11_11079/5216668.html',
                        'Cookie': 'clickbids=11079; Hm_lvt_6dfe3c8f195b43b8e667a2a2e5936122=1591085546;'
                                  ' Hm_lvt_c979821d0eeb958aa7201d31a6991f34=1591085539,1591085553,1591085815; '
                                  'Hm_lpvt_6dfe3c8f195b43b8e667a2a2e5936122=1591087376; '
                                  'Hm_lpvt_c979821d0eeb958aa7201d31a6991f34=1591087377'}

    def get_page(self):
        """
        获得每一章节的网址
        yield 回去
        """
        r = requests.get(self.start_url, headers=self.headers)
        if r.status_code == 200:
            r.encoding = r.apparent_encoding
            html = etree.HTML(r.text)
            page_url = html.xpath('//div[@id="list"]/dl/dd/a/@href')
            for url in page_url[222:]:
                url = f'http://www.biquge.info/11_11079/{url}'
                yield url

    def save_text(self, items):
        """
        根据章节下载'
        """
        path = 'D://爬取小说//'
        os.chdir(path)  # 进入这个文件夹
        with open('酒神.txt', 'a+', encoding='utf-8') as fw:
            fw.write(''.join(items['title']) + '\n\n\n' + '- ' * 40)
            fw.write(''.join(items['text']))
        print(f'{items["title"]} 下载完成！')

    def parse_page_error(self, r):
        # 为处理异常：

        r.encoding = r.apparent_encoding
        html = etree.HTML(r.text)
        title = html.xpath('//div[@class="bookname"]/h1/text()')
        text = html.xpath('//div[@id="content"]/text()')
        items = {}
        items['title'] = title
        items['text'] = text
        self.save_text(items)

    def parse_page(self):
        """
        分析每一章节  然后下载, 次数过快 容易炸ip 三次保底请求 ！
        """
        for url in self.get_page():
            r = requests.get(url, headers=self.headers)
            time.sleep(0.7)
            if r.status_code == 200:
                self.parse_page_error(r)
            else:
                print(f'该 {url}未下载成功！ 再次请求')
                rr = requests.get(url, headers=self.headers)
                if rr.status_code == 200:
                    self.parse_page_error(rr)
                else:
                    print("第三次请求！")
                    rrr = requests.get(url, headers=self.headers)
                    self.parse_page_error(rrr)
        print('全部下载完成！')


jiushen = Spider()
jiushen.parse_page()

这样学会了吧！视频教程，完整打包代码加群：1136192749