爬取全网小说（2）

最新推荐文章于 2024-05-30 07:32:10 发布

置顶呆~。

最新推荐文章于 2024-05-30 07:32:10 发布

阅读量655

点赞数 7

分类专栏： # Python爬虫文章标签： python

本文链接：https://blog.csdn.net/weixin_46146855/article/details/106673425

版权

Python爬虫专栏收录该内容

8 篇文章 0 订阅

订阅专栏

python爬取全网小说

前言：上一篇文章讲了怎么获取所有小说的唯一编号，然后将编号进行拼接就可以得到小说的所有章节的页面。这次我们来讲讲怎么将所有小说的内容下载下来。上一篇文章地址：爬取全网小说（1）
结果如下：
在这里插入图片描述

1. 分析整体思路和小说章节页面

a）整体思路和实现目标：

我们已经获取到了 {“小说名”: “小说对应的编号”} 的字典了。这样就可以实现下载用户指定的小说了。
因为小说章节较多，我们就可以考虑将获取到的小说章节全部放入队列当中，然后再使用多线程进行下载，但又考虑到多线程下载的最终结果是无序的，所以本文章最后没有使用多线程
对方服务器肯定有反爬，所以我们可以通过第三方模快fake_useragent随机获取用户代理，实现一定的反反爬，关于在fake_useragent的使用过程中遇到的问题可以参考 fake_useragent报错点我
在下载小说的过程中，极有可能出现下载失败或者阻塞的情况，这时我们就需要设置超时参数和使用retrying模块中的retry模块了。retry模块的使用可以参考 retrying模块的使用
在下载过程中我们也有可能被迫停止程序的情况，而停止程序后我们又不想再重新下载一遍，这时我们就可以在下载之前遍历一下保存小说的文件夹，若已存在某文件则跳过下载。

b）我们要提取的目标是小说章节的详情地址和小说章节名，所以我们的xpath表达式可以这样写 //tbody//td/a 获取到所有的a节点，我们再遍历a节点从而获取到部分的详情地址和小说章节名。
在这里插入图片描述

2. 完整代码
a）代码中的随机用户代理我就不使用fake_useragent模块了，但你们最好是使用它。关于它的使用我在上面也放了链接了。关于代码的详解我会放在完整代码中。

import time
import json
import re
import os
import random
import requests
from lxml import etree
from retrying import retry


class DownNovel(object):
    def __init__(self):
        self.url = 'http://www.55shuba.com/du{}/'   # 小说章节的基础url
        self.HEADERS = ["Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
            "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
            "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
            "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
            "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
            "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
            "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
            "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
            "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
            "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
            "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
            "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
            "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
            "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"]                        # 定义的用户代理，存放在列表中
        self.headers = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
                        "Accept-Encoding": "gzip, deflate",
                        "Accept-Language": "zh-CN,zh;q=0.9",
                        "Cache-Control": "max-age=0",
                        "Connection": "keep-alive",
                        "Cookie": "bdshare_firstime=1590149393888; UM_distinctid=1724548cc5b35-0819686bf4beda-58143718-144000-1724548cc5c2a7; jieqiVisitId=article_articleviews%3D12532; PHPSESSID=cd437784ae3d3127ceb017e6b62dac56; CNZZDATA1254488625=180465324-1590297470-http%253A%252F%252Fwww.55shuba.com%252F%7C1590374013",
                        "Host": "www.55shuba.com",
                        "If-None-Match": "1590377583|",
                        "Referer": "http://www.55shuba.com/txt/12532.htm",
                        "Upgrade-Insecure-Requests": "1",
                        "User-Agent": random.choice(self.HEADERS)}                        # 请求小说章节的请求头
        self.detail_headers = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
                                "Accept-Encoding": "gzip, deflate",
                                "Accept-Language": "zh-CN,zh;q=0.9",
                                "Cache-Control": "max-age=0",
                                "Connection": "keep-alive",
                                "Cookie": "bdshare_firstime=1590149393888; UM_distinctid=1724548cc5b35-0819686bf4beda-58143718-144000-1724548cc5c2a7; jieqiVisitId=article_articleviews%3D12532; PHPSESSID=cd437784ae3d3127ceb017e6b62dac56; CNZZDATA1254488625=180465324-1590297470-http%253A%252F%252Fwww.55shuba.com%252F%7C1590374013",
                                "Host": "www.55shuba.com",
                                "If-None-Match": "1590378781|",
                                "Upgrade-Insecure-Requests": "1",
                                "User-Agent": random.choice(self.HEADERS)}                 # 访问小说详情页的请求头

    # 获取用户输入的小说并拼接成小说章节的url
    def connect_url(self):
        try:
            with open('fake_useragent_0.1.11.json', 'r', encoding='utf-8')as f:   # 打开当前文件夹下的novel.json文件
                text = json.load(f)                    # 将寄送文件转为python中的数据类型，在这里也就是字典
            novel_name = input('请输入小说名:')         # 获取用户输入的小说名
            num = text[novel_name]                     # 从字典中获取小说名对应的小说编号
            target_url = self.url.format(num)          # 拼接小说编号获取到小说的章节下载地址
            self.parse_page(target_url, novel_name)    # 将小说章节的url和用户输入的小说名传给parse_page方法
        except KeyError:
            print('书名有误,请重新输入')

    def parse_page(self, url, novel_name):
        res = requests.get(url, headers=self.headers).content.decode('gbk', errors='ignore')   # 访问小说章节地址
        html = etree.HTML(res)
        a_list = html.xpath('//tbody//td/a')   # 获取所有的a节点
        for a in a_list:        # 遍历a节点提取出详情地址和小说章节名
            detail_url = url + a.xpath('./@href')[0]   # 进行拼接获取章节的完整地址
            chapter_name = a.xpath('./text()')[0]      # 小说章节名
            self.parse_detail_url(chapter_name, detail_url, url, novel_name)   # 将章节名，详情地址，小说名交给parse_detailurl方法

    @retry(stop_max_attempt_number=3)      # 最大尝试次数为3次，设置的timeout=5，当5次都超时就报错
    def parse_detail_url(self, chapter_name, detail_url, url, novel_name):
        # 判断是否已下载某章节的小说，若以下载则跳过重复下载
        chapter_name = re.sub(r'[\/\\\:\*\?\\<\>\|#/ \:*]', '', chapter_name)     # 将小说章节名中的非法字符替换为空
        file_name = './文本/{}/{}.txt'.format(novel_name, chapter_name)
        if os.path.exists(file_name):     # 判断是否存在某小说章节
            print('已存在 {}'.format(chapter_name))
        else:
            try:
                self.detail_headers['Referer'] = url   # 向self.detail_headers中添加键值对Referer
                res = requests.get(detail_url, headers=self.detail_headers, timeout=5).content.decode('gbk', errors='ignore')   # 访问小说章节的详情内容。并设置超时参数为5s
                html = etree.HTML(res)
                content = html.xpath('//dd[@id="contents"]/text()')    # 获取小说的内容，因为br标签的存在，所以获取到的是一个列表
                content = re.sub(r'[\/\\\:\*\?\\<\>\| # / \ : *]', '', '\n'.join(content))   # 将小说内容中的非法或者不想要的字符替换为空，因为br标签的作业就是换行，所以我们可以使用\n将字符串连接起来
                self.save_novel(chapter_name, content, novel_name)      # 将小说章节，小说内容，小说名交给save_novel方法
            except TimeoutError:
                print('请求超时 {}'.format(detail_url))

    @staticmethod
    def save_novel(chapter_name, content, novel_name):
        # 进行判断，若不存在小说名的目录则创建
        file_name = './文本/{}'.format(novel_name)
        if not os.path.exists(file_name):
            os.makedirs(file_name)
        # 保存小说的内容
        with open(file_name+'/{}.txt'.format(chapter_name), 'w', encoding='utf-8')as f:
            f.write(content)
            print('已下载 {}'.format(chapter_name))

    def main(self):
        self.connect_url()

if __name__ == '__main__':
    start_time = time.time()
    spider = DownNovel()
    spider.main()
    # 计算花费的时间
    print('总花费 {:.2f}s'.format(time.time()-start_time))

b）隐藏用户代理列表
在这里插入图片描述
c）注意事项：

fake_useragent_0.1.11.json文件需要与py文件放在同一个目录下，该文件的下载地址 fake_useragent_0.1.11.json下载地址，提取码为 ak2i
本篇文章没有使用多线程，因为使用多线程后下载结果是无序的，这对最后整理小说时来说是致命的。
小说的下载内容在当前文件夹下。

结语：爬取全网的小说文章到这里就结束了，我们实现了根据用户输入的小说名下载指定的小说，fake_useragent_0.1.11.json文件在收集时工作量还是有些大的，如果大家觉得我的文章能够带给大家一些知识的话，可以给我点个赞或收藏。学习必须与实干相结合。——泰戈尔。可见自己动手的重要性，希望观看到这里的人最后都能够完成自主对全网小说的爬取。加油！！！

呆~。

关注

7
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
爬取全网小说（2）

python爬取全网小说前言：上一篇文章讲了怎么获取所有小说的唯一编号，然后将编号进行拼接就可以得到小说的所有章节的页面。这次我们来讲讲怎么将所有小说的内容下载下来。上一篇文章地址：爬取全网小说（1）结果如下：1. 分析整体思路和小说章节页面a）整体思路和实现目标：我们已经获取到了 {“小说名”: “小说对应的编号”} 的字典了。这样就可以实现下载用户指定的小说了。因为小说章节较多，我们就可以考虑将获取到的小说章节全部放入队列当中，然后再使用多线程进行下载，但又考虑到多线程下载的最终结果是
复制链接

扫一扫