Python爬取小说(requests和BeautifulSoup)

1.用requests和BeautifulSoup爬取起点中文网小说(https://www.qidian.com/free/all/)

在这里插入图片描述

2.选择一篇小说(https://www.qidian.com/book/1037297523/)

在这里插入图片描述

3.查看小说的卷章和每章对应的章节

在这里插入图片描述

4.Chrome浏览器,使用F12,打开开发者模式,查看章节对应代码细节

在这里插入图片描述

5.查看卷章结构,并创建文件夹

#卷章结构
volums_names = [a.text.strip() for a in soup.find_all('h3', class_='volume-name')]

在这里插入图片描述

#创建文件夹存卷章
def create_folders(base_path, folder_names):
    for folder_name in folder_names:
        try:
            # 使用os.makedirs()创建文件夹,如果它不存在
            older_path = os.path.join(base_path, folder_name)
            os.makedirs(folder_name)
            print("文件夹 {}'创建成功!".format(folder_name))
        except OSError as e:
            print("创建文件夹 {}失败!!!".format(folder_name))

在这里插入图片描述

6.章节结构

chapter_names = [a.text.strip() for a in soup.find_all('a', class_='chapter-name')]

在这里插入图片描述
在这里插入图片描述

7.章节内容所在页面URL,缺少https:

data_cids = [a['data-cid'] for a in soup.find_all('a', class_='chapter-name')]

在这里插入图片描述

8.提取章节内容

def getchacontents(chapter_id,headers):
    response = requests.get('https:' + chapter_id, headers = headers)
    pattern = r'<p>(.*?)</p>'
    matches = re.findall(pattern, response.text, re.DOTALL)
    result = '\n'.join(matches)# 使用换行符拼接文本
    return result

在这里插入图片描述

9.获取章节内容写入txt文件,并将文件存入对应的卷章文件夹

#将章节内容写入文件,存入对应的文件夹
 def save2file(filepath, filename , content):
    filename = filename.replace(/,-)#文件名称不可出现-
    try:
        if not os.path.exists(filepath):
            os.makedirs(filepath)
         #文件存储地址
        file_path = os.path.join(filepath, filename + '.txt')
        #爬取内容写入文件
        with open(file_path,'a',encoding ='utf-8') as f:
                f.write(content +'\n')
                f.close()
        print('{}写入成功'.format(filename))
    except Exception as e:
        print('{}写入失败!!!'.format(filename))

在这里插入图片描述

10.整体代码

import requests
import json
import os
import re
from bs4 import BeautifulSoup
import random
#提取章节内容
def getchacontents(chapter_id,headers):
    response = requests.get('https:' + chapter_id, headers = headers)
    pattern = r'<p>(.*?)</p>'
    matches = re.findall(pattern, response.text, re.DOTALL)
    result = '\n'.join(matches)# 使用换行符拼接文本
    return result
#创建文件夹存卷章
def create_folders(base_path, folder_names):
    for folder_name in folder_names:
        try:
            # 使用os.makedirs()创建文件夹,如果它不存在
            older_path = os.path.join(base_path, folder_name)
            os.makedirs(folder_name)
            print("文件夹 {}'创建成功!".format(folder_name))
        except OSError as e:
            print("创建文件夹 {}失败!!!".format(folder_name))
 #将章节内容写入文件,存入对应的文件夹
 def save2file(filepath, filename , content):
    filename = filename.replace("/","-")
    try:
        if not os.path.exists(filepath):
            os.makedirs(filepath)
        #user_home = os.path.expanduser("~")
        file_path = os.path.join(filepath, filename + '.txt')
        #file_path = os.path.join(filepath,filename +'.txt')
        with open(file_path,'a',encoding ='utf-8') as f:
                f.write(content +'\n')
                f.close()
        print('{}写入成功'.format(filename))
    except Exception as e:
        print('{}写入失败!!!'.format(filename))
#防止被禁,随机返回list_中某个User_Agent设置值
def get_User_Agent():
    list_ = ['Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36',\
'Mozilla/5.0 (Windows NT 10.0;Win64;x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36',\
'Mozilla/5.0 (Windows NT 6.3;Win64;x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',\
'Mozilla/5.0 (Windows NT 6.2;Win64;x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',\
 'Mozilla/5.0 (Windows NT 6.1;Win64;x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',\
'Mozilla/5.0 (Windows NT 6.3;WOW64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/401.0.2225.0 Safari/537.36',\
'Mozilla/5.0 (Windows NT 6.2;WOW64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/401.0.2225.0 Safari/537.36',\
'Mozilla/5.0 (Windows NT 6.1;WOW64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/401.0.2225.0 Safari/537.36']
    return list_[random.randint(0,len(list_)-1]
def main():
    headers = {'User-Agent':get_User_Agent()}
    response = requests.get('https://www.qidian.com/book/1037297523/',headers = headers)
    # 使用BeautifulSoup解析HTML
    soup = BeautifulSoup(response.text, 'html.parser')
    # 查找所有章节名称和章节对应网页
    volums_names = [a.text.strip() for a in soup.find_all('h3', class_='volume-name')]
    chapter_names = [a.text.strip() for a in soup.find_all('a', class_='chapter-name')]
    data_cids = [a['data-cid'] for a in soup.find_all('a', class_='chapter-name')] 
     # 指定要创建文件夹的基本路径
    base_path = '/Users/xinxin/Desktop'
    create_folders(base_path ,volums_names)

    i = 0; j = 0;m = 0
    for chapter_name in chapter_names:
        result = getchacontents(data_cids[chapter_names.index(chapter_name)], headers)
        save2file(base_path + '/' +volums_names[j] , chapter_name, result)
        i += 1;m += 1
        print(' -----写入{}已完成{}/{}----'.format(volums_names[j],m,volums_names[j][6:8]))
        if i == volums_names[0][6:8]:
            j += 1;m = 0
        elif i == volums_names[0][6:8] + volums_names[0][6:8]:
            j += 1;m =1
        
    print("小说爬取完毕")

if __name__=='__main__':
    main()         

在这里插入图片描述

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Python 爬取数据主要使用到的两个库是requestsBeautifulSoup(bs4)。requests库负责发送请求获取网页内容,而BeautifulSoup库则用于解析网页数据。 首先,我们需要使用requests库发送GET请求来获取网页的内容。我们可以通过传入目标网页的URL到requests的get()方法中,并将返回的响应对象保存下来。 接下来,我们可以使用bs4库的BeautifulSoup类来解析网页内容。我们可以将获取到的响应内容作为参数传入BeautifulSoup类的构造方法中,并指定解析的方式。通常我们可以选择使用lxml解析器或者html.parser解析器。 一旦我们得到了BeautifulSoup对象,我们可以使用它的各种方法和属性来获取我们需要的数据。可以使用find()或find_all()方法来查找指定的HTML标签,并获取相应的数据。也可以使用get_text()方法来获取标签内的文本内容。 在进行数据爬取和解析时,有一些常见的技巧和注意事项。例如,可以使用CSS选择器来更精确地定位需要的数据。还可以使用正则表达式对所需数据进行进一步的筛选和处理。 最后,我们可以将爬取到的数据进行保存,可以选择将数据保存到文本文件、数据库或者其他数据结构中,以便进一步处理和分析。 总结起来,通过使用requests和bs4库,我们可以方便地爬取网页数据,并进行解析和保存。这使得我们能够从互联网上获取到所需的数据,并用于后续的数据分析和处理。

“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 2
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