VB.net 2010 视频教程 VB.net 2010 视频教程 python基础视频教程
SQL Server 2008 视频教程 c#入门经典教程 Visual Basic从门到精通视频教程
当前位置:
首页 > temp > python入门教程 >

  • Python爬取新笔趣阁小说

      我写的这篇文章，是利用Python爬取小说编写的程序，这是我学习Python爬虫当中自己独立写的第一个程序，中途也遇到了一些困难，但是最后迎刃而解了。这个程序非常的简单，程序的大概就是先获取网页的源代码，然后在网页的源代码中提取每个章节的url，获取之后，在通过每个url去获取文章的内容，在进行提取内容，然后就是保存到本地，一TXT的文件类型保存。
大概是这样
1：获取网页源代码
2：获取每章的url
3：获取每章的内容
4：下载保存文件中

1、首先就是先安装第三方库requests,这个库，打开cmd，输入pip install requests回车就可以了，等待安装。然后测试

1
import resquests

　

2、然后就可以编写程序了，首先获取网页源代码，也可以在浏览器查看和这个进行对比。

1
2
3
4
s = requests.Session()
url = 'https://www.xxbiquge.com/2_2634/'
html = s.get(url)
html.encoding = 'utf-8'

　　

运行后显示网页源代码

 

 

按F12查看

 

 

说明这是对的，
3、然后进行获取网页源代码中的每章url，进行提取

1
2
caption_title_1 = re.findall(r'<a href="(/2_2634/.*?\.html)">.*?</a>',html.text)
print(caption_title_1)

　　

 

 

由于过多，就剪切了这些，看到这些URL，你可能想问为什么不是完整的，这是因为网页中的本来就不完整，需要进行拼凑得到完整的url

 

 

这样就完成了，就可以得到完整的了


4、下面就是获取章节名，和章节内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
#获取章节名
 name = re.findall(r'<meta name="keywords" content="(.*?)" />',r1.text)[0]         # 提取章节名
 print(name)
 
 file_name.write(name)
 file_name.write('\n')
 
 # 获取章节内容
 chapters = re.findall(r'<div id="content">(.*?)</div>',r1.text,re.S)[0]            #提取章节内容
 chapters = chapters.replace(' ', '') # 后面的是进行数据清洗
 chapters = chapters.replace('readx();', '')
 chapters = chapters.replace('& lt;!--go - - & gt;', '')
 chapters = chapters.replace('<!--go-->', '')
 chapters = chapters.replace('()', '')

　　

5、转换字符串和保存文件

1
2
3
4
5
6
7
8
9
10
11
12
13
# 转换字符串
   s = str(chapters)
   s_replace = s.replace('<br/>',"\n")
   while True:
       index_begin = s_replace.find("<")
       index_end = s_replace.find(">",index_begin+1)
       if index_begin == -1:
           break
       s_replace = s_replace.replace(s_replace[index_begin:index_end+1],"")
   pattern = re.compile(r' ',re.I)
   fiction = pattern.sub(' ',s_replace)
   file_name.write(fiction)
   file_name.write('\n')

　　

6、完整的代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
import requests
import re
 
s = requests.Session()
url = 'https://www.xxbiquge.com/2_2634/'
html = s.get(url)
html.encoding = 'utf-8'
 
# 获取章节
caption_title_1 = re.findall(r'<a href="(/2_2634/.*?\.html)">.*?</a>',html.text)
 
# 写文件
path = r'C:\Users\Administrator\PycharmProjects\untitled\title.txt'     # 这是我存放的位置，你可以进行更改
file_name = open(path,'a',encoding='utf-8')
 
# 循环下载每一张
for i in caption_title_1:
   caption_title_1 = 'https://www.xxbiquge.com'+i
   # 网页源代码
   s1 = requests.Session()
   r1 = s1.get(caption_title_1)
   r1.encoding = 'utf-8'
 
   # 获取章节名
   name = re.findall(r'<meta name="keywords" content="(.*?)" />',r1.text)[0]
   print(name)
 
   file_name.write(name)
   file_name.write('\n')
 
   # 获取章节内容
   chapters = re.findall(r'<div id="content">(.*?)</div>',r1.text,re.S)[0]
   chapters = chapters.replace(' ', '')
   chapters = chapters.replace('readx();', '')
   chapters = chapters.replace('& lt;!--go - - & gt;', '')
   chapters = chapters.replace('<!--go-->', '')
   chapters = chapters.replace('()', '')
   # 转换字符串
   s = str(chapters)
   s_replace = s.replace('<br/>',"\n")
   while True:
       index_begin = s_replace.find("<")
       index_end = s_replace.find(">",index_begin+1)
       if index_begin == -1:
           break
       s_replace = s_replace.replace(s_replace[index_begin:index_end+1],"")
   pattern = re.compile(r' ',re.I)
   fiction = pattern.sub(' ',s_replace)
   file_name.write(fiction)
   file_name.write('\n')
 
file_name.close()

　　

7、修改你想要爬取小说url后再进行运行，如果出现错误，可能是存放位置出错，可以再保存文件地址修改为你要存放的地址，然后就结束了

 

 

 

 

这就是爬取的完整的小说，是不是很简单，，希望能对你所帮助+

出处：https://www.cnblogs.com/qcwdeblog/p/14029479.html


相关教程