文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
[http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956ce]
很多好看的小说只能看不能下载，教你怎么爬取一个网站的所有小说
知识点：
-
requests
-
xpath
-
全站小说爬取思路
开发环境：
-
版 本：anaconda5.2.0（python3.6.5）
-
编辑器：pycharm
第三方库：
-
requests
-
parsel
进行网页分析
目标站点: 
-
开发者工具的使用
-
network
-
element
-
爬取一章小说
-
requests库的使用（请求网页数据）
-
对请求网页数据步骤进行封装
-
css选择器的使用（解析网页数据）
-
操作文件（数据持久化）
# -*- coding: utf-8 -*-import requestsimport parsel"""爬取一章小说"""# 请求网页数据headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}response = requests.get('http://www.shuquge.com/txt/8659/2324752.html', headers=headers)response.encoding = response.apparent_encodinghtml = response.textprint(html)# 从网页中提取内容sel = parsel.Selector(html)title = sel.css('.content h1::text').extract_first()contents = sel.css('#content::text').extract()contents2 = []for content in contents: contents2.append(content.strip())print(contents)print(contents2)print("\n".join(contents2))# 将内容写入文本with open(title+'.txt', mode='w', encoding='utf-8') as f: f.write("\n".join(contents2))
爬取一本小说
-
对爬虫进行重构
需要爬取很多章小说，最笨的方法是直接使用 for 循环。
-
爬取索引页
需要爬取所有的章节，只要获取每一章的网址就行了。
import requestsimport parsel"""获取网页源代码"""# 模拟浏览器发送请求headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}def download_one_chapter(target_url): # 需要请求的网址 # target_url = 'http://www.shuquge.com/txt/8659/2324753.html' # response 服务返回的内容 对象 # pycharm ctrl+鼠标左键 response = requests.get(target_url, headers=headers) # 解码 万能解码 response.encoding = response.apparent_encoding # 文字方法 获取网页文字内容 # print(response.text) # 字符串 html = response.text """从网页源代码里面拿到信息""" # 使用parsel 把字符串变成对象 sel = parsel.Selector(html) # scrapy # extract 提取标签的内容 # 伪类选择器（选择属性） css选择器（选择标签） # 提取第一个内容 title = sel.css('.content h1::text').extract_first() # 提取所有的内容 contents = sel.css('#content::text').extract() print(title) print(contents) """ 数据清除 清除空白字符串 """ # contents1 = [] # for content in contents: # # 去除两端空白字符 # # 字符串的操作 列表的操作 # contents1.append(content.strip()) # # print(contents1) # 列表推导式 contents1 = [content.strip() for content in contents] print(contents1) # 把列表编程字符串 text = '\n'.join(contents1) print(text) """保存小说内容""" # open 操作文件（写入、读取） file = open(title + '.txt', mode='w', encoding='utf-8') # 只能写入字符串 file.write(title) file.write(text) # 关闭文件 file.close()# 传入一本小说的目录def get_book_links(book_url): response = requests.get(book_url) response.encoding = response.apparent_encoding html = response.text sel = parsel.Selector(html) links = sel.css('dd a::attr(href)').extract() return links# 下载一本小说def get_one_book(book_url): links = get_book_links(book_url) for link in links: print('http://www.shuquge.com/txt/8659/' + link) download_one_chapter('http://www.shuquge.com/txt/8659/' + link)if __name__ == '__main__': # target_url = 'http://www.shuquge.com/txt/8659/2324754.html' # # 关键词参数与位置参数 # download_one_chapter(target_url=target_url) # 下载别的小说 直接换url book_url = 'http://www.shuquge.com/txt/8659/index.html' get_one_book(book_url)
爬取全站小说
-
爬取索引页