python爬虫爬取文本(以免费网站的小说为例)

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 网页解析,获取数据
import re  # 正则表达式,进行文字匹配
import urllib.request, urllib.error  # 制定URL,获取网页数据

prestr="<div class=\"content\">"
poststr="\\n<!-- /content -->\\n<div class=\"dede_pages\">"

def main():
    baseurl = "https://www.520yanqingwang.com/xiandaiyanqing/2018/0312/13570.html"
    datastr = getData(baseurl)
    savepath = "hhh.txt"
    saveData(datastr,savepath) 

    for i in range(1,113):#113 从0到112
        baseurl = "https://www.520yanqingwang.com/xiandaiyanqing/2018/0312/13570_"  #要爬取的网页链接
        baseurl += str(i+1)
        baseurl += ".html"
        #print(baseurl)
        # 1.爬取网页
        datastr = getData(baseurl)
        savepath = "hhh.txt"  
        # 3.保存数据
        saveData(datastr,savepath)  

# 爬取网页
def getData(baseurl):
    mydata = []  #用来存储需要的网页信息
    datalist = []  #用来存储爬取的网页信息
    url = baseurl
    html = askURL(url)  # 保存获取到的网页源码
    # 2.逐一解析数据
    soup = BeautifulSoup(html, "html.parser")
    for item in soup.find_all('div'):  # 查找符合要求的字符串
        data = []  # 保存一份符合条件的信息
        item = str(item)
        data.append(item)
        datalist.append(data)          
    datastr=str(datalist) 
    prepos = datastr.find(prestr)
    postpos = datastr.find(poststr)
    datastr = datastr[prepos:postpos]
    #print(datastr)
    return datastr


# 得到指定一个URL的网页内容
def askURL(url):
    head = {  # 模拟浏览器头部信息,向服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    # 用户代理,表示告诉服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)

    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode(encoding="GB18030",errors='ignore')#从utf-8改为gbk
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据到txt
def saveData(datastr,savepath):
    print("save.......")
    fh = open(savepath, 'a', encoding='utf-8')
    strlist = datastr.split("<div>")
    for item in strlist:
        if item.find("<div class=\"content\">")!=-1:
            continue
        item = item.replace('\n',"")
        item = item.replace("\\n<div>\\r\\n\\t","")
        item = item.replace("\\xa0","")
        item = item.replace("\\n","")
        item = item.replace("\\r","")
        item = item.replace("\\t","")
        item = item.replace("<div class=\"content\">","")
        item = item.replace("<table width=\"100%\">","")
        item = item.replace("<tr>","")
        item = item.replace("</tr>","")
        item = item.replace("</table>","")
        item = item.replace("</div>","")
        print(item)
        fh.write(item+'\n')
    fh.close()


if __name__ == "__main__":  # 当程序执行时
    # 调用函数
    main()
    print("爬取完毕!")
  • 2
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获的HTML进行解析,提有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提目标数据,如文本、图片、链接等。 数据存储: 爬虫将提的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值