• 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')]
    
    
    • 1
    • 2
    • 3

    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))
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    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')]
    
    • 1

    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')]
    
    • 1

    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'

    (.*?)

    '
    matches = re.findall(pattern, response.text, re.DOTALL) result = '\n'.join(matches)# 使用换行符拼接文本 return result
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    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))
    
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    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'

    (.*?)

    '
    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()
    • 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
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85

    在这里插入图片描述

  • 相关阅读:
    目标检测 YOLOv5 - 最新版本v6.2模型在瑞芯微 Rockchip设备上运行的方案
    php测试环境间歇性502故障分析
    VoLTE基础自学系列 | RTP及RTCP协议原理
    【帧率倍频】基于FPGA的视频帧率倍频系统verilog开发实现
    一些经常忽略的东西
    ESP8266-Arduino编程实例-BH1750FVI环境光传感器驱动
    Rust踩雷笔记(7)——两个链表题例子初识裸指针
    RabbitMQ-死信队列、延迟队列(原生+springboot+插件实现)
    客服常用100句用语帮您全面搞定客服回复
    Python测试-unittest,2022-11-27
  • 原文地址:https://blog.csdn.net/zxxxlh123/article/details/133682981