学习目标:
1.解析网页得到第一个url,拿到章节目录
2.解析网页拿到第二个的url 进行下载
3.代码部分分析
学习内容:
一.解析网页得到第一个url,拿到章节目录
首先我们进入到这个网址https://dushu.baidu.com/pc/detail?gid=4306063500,按12拿到第一个url
https://dushu.baidu.com/api/pc/getDetail?data={%22book_id%22:%224306063500%22} 接着我们对这个url做一个处理得到最后的url https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4306063500"} (第一个url)
2.解析网页拿到第二个的url 进行下载
我们保持代码检查工具不管的情况下,点进去章节内容,这样就会刷出来新的内容,接着我们找
符合的能看到章节内容的对应的url (data-----novel----content)
最终的url是
'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"' + b_id + '"}'(第二个ur
三.代码部分
1.工具:PyCharm 2021.2
2.环境版本 python 3.8
3.需要下载的依赖包(命令) *在电脑终端输入
pip install requests
pip install asyncio
pip install aiohttp
pip install json
pip install aiofiles
代码如下实例
#第一个url https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4306063500"}
# https://dushu.baidu.com/api/pc/getDetail?data={%22book_id%22:%224306063500%22}
# 所有章节的内容
#章节内部的内容
#https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4306063500","cid":"4306063500|11348571","need_bookinfo":1}
import requests
import asyncio
import aiohttp
import json
import aiofiles
#aiofiles是一个用Python编写,用于处理asyncio应用程序中的本地磁盘文件
'''
1. 同步操作,访问getCatalog 拿到所有章节的cid和名称
2.异步操作 访问geChapterContent 下载所有的文章内容
'''
async def aiodownload(cid,b_id,title):
data = {
"book_id":4306063500,
"cid":"4306063500|11348658",
"need_bookinfo": 0
}
data = json.dumps(data)
url = f"https://dushu.baidu.com/api/pc/getChapterContent?data={data}" #第一个url
async with aiohttp.ClientSession() as session:
async with session.get(url) as resp: #发送请求
dic = await resp.json()
#从发送请求里得到我们需要的json文件
async with aiofiles.open(title, mode="w", encoding="utf-8") as f:
await f.write(dic['data']['novel']['content'])
#从json里提取数据,并写入到文件里
async def getCatalog(url):
resp = requests.get(url)
dic = resp.json()
tasks = [] #准备一个列表,往进去扔自己需要的参数
for item in dic['data']['novel']['items']: #items就是对应每一个章节的内容和cid
title = item['title']
cid = item['cid']
# 准备异步任务
tasks.append(aiodownload(cid, b_id, title)) #三个参数传过去
await asyncio.wait(tasks)
if __name__ == '__main__':
b_id = "4306063500"
url = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"' + b_id + '"}'
#第二个url
loop = asyncio.get_event_loop()
loop.run_until_complete(getCatalog(url))
#这块的设置不会抛出异常,我自己做了很多的测试
这块用到的是异步操作,会提高一些速度,你们也可以自己试试。
4.效果展示:
总结:
爬虫这个知识我也是在慢慢的摸索,就是自己学完了,再来写一下博客,根据自己理解的去分享给大家,让大家一起学习,在计算机这条路上越走越远!有不足的地方还请各路大神指正,毕竟学习存在严谨性!!!