Python爬蟲入門教程02之筆趣閣小說爬取

更新時間：2021年01月24日 10:22:34 作者：有趣的Python

這篇文章主要介紹了Python爬蟲入門教程02之筆趣閣小說爬取,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下

前言

本文的文字及圖片來源于網(wǎng)絡,僅供學習、交流使用,不具有任何商業(yè)用途,如有問題請及時聯(lián)系我們以作處理。

前文

01、python爬蟲入門教程01：豆瓣Top電影爬取

基本開發(fā)環(huán)境

Python 3.6
Pycharm

相關模塊的使用

request
sparsel

安裝Python并添加到環(huán)境變量，pip安裝需要的相關模塊即可。

單章爬取

一、明確需求

爬取小說內(nèi)容保存到本地

小說名字
小說章節(jié)名字
小說內(nèi)容

# 第一章小說url地址
url = 'http://www.biquges.com/52_52642/25585323.html'

url = 'http://www.biquges.com/52_52642/25585323.html'
headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response.text)

請求網(wǎng)頁返回的數(shù)據(jù)中出現(xiàn)了亂碼，這就需要我們轉碼了。

加一行代碼自動轉碼。

response.encoding = response.apparent_encoding

三、解析數(shù)據(jù)

根據(jù)css選擇器可以直接提取小說標題以及小說內(nèi)容。

def get_one_novel(html_url):
 # 調(diào)用請求網(wǎng)頁數(shù)據(jù)函數(shù)
 response = get_response(html_url)
 # 轉行成selector解析對象
 selector = parsel.Selector(response.text)
 # 獲取小說標題
 title = selector.css('.bookname h1::text').get()
 # 獲取小說內(nèi)容 返回的是list
 content_list = selector.css('#content::text').getall()
 # ''.join(列表) 把列表轉換成字符串
 content_str = ''.join(content_list)
 print(title, content_str)

if __name__ == '__main__':
 url = 'http://www.biquges.com/52_52642/25585323.html'
 get_one_novel(url)

四、保存數(shù)據(jù)（數(shù)據(jù)持久化）

使用常用的保存方式： with open

def save(title, content):
 """
 保存小說
 :param title: 小說章節(jié)標題
 :param content: 小說內(nèi)容
 :return: 
 """
 # 路徑
 filename = f'{title}\\'
 # os 內(nèi)置模塊，自動創(chuàng)建文件夾
 if os.makedirs(filename):
 os.mkdir()
 # 一定要記得加后綴 .txt mode 保存方式 a 是追加保存 encoding 保存編碼
 with open(filename + title + '.txt', mode='a', encoding='utf-8') as f:
 # 寫入標題
 f.write(title)
 # 換行
 f.write('\n')
 # 寫入小說內(nèi)容
 f.write(content)

保存一章小說，就這樣寫完了，如果想要保存整本小說呢？

整本小說爬蟲

既然爬取單章小說知道怎么爬取了，那么只需要獲取小說所有單章小說的url地址，就可以爬取全部小說內(nèi)容了。

所有的單章的url地址都在 dd 標簽當中，但是這個url地址是不完整的，所以爬取下來的時候，要拼接url地址。

def get_all_url(html_url):
 # 調(diào)用請求網(wǎng)頁數(shù)據(jù)函數(shù)
 response = get_response(html_url)
 # 轉行成selector解析對象
 selector = parsel.Selector(response.text)
 # 所有的url地址都在 a 標簽里面的 href 屬性中 
 dds = selector.css('#list dd a::attr(href)').getall()
 for dd in dds:
 novel_url = 'http://www.biquges.com' + dd
 print(novel_url)


if __name__ == '__main__':
 url = 'http://www.biquges.com/52_52642/index.html'
 get_all_url(url)

這樣就獲取了所有的小說章節(jié)url地址了。

爬取全本完整代碼

import requests
import parsel
from tqdm import tqdm


def get_response(html_url):
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
 }
 response = requests.get(url=html_url, headers=headers)
 response.encoding = response.apparent_encoding
 return response


def save(novel_name, title, content):
 """
 保存小說
 :param title: 小說章節(jié)標題
 :param content: 小說內(nèi)容
 :return:
 """
 filename = f'{novel_name}' + '.txt'
 # 一定要記得加后綴 .txt mode 保存方式 a 是追加保存 encoding 保存編碼
 with open(filename, mode='a', encoding='utf-8') as f:
 # 寫入標題
 f.write(title)
 # 換行
 f.write('\n')
 # 寫入小說內(nèi)容
 f.write(content)


def get_one_novel(name, novel_url):
 # 調(diào)用請求網(wǎng)頁數(shù)據(jù)函數(shù)
 response = get_response(novel_url)
 # 轉行成selector解析對象
 selector = parsel.Selector(response.text)
 # 獲取小說標題
 title = selector.css('.bookname h1::text').get()
 # 獲取小說內(nèi)容 返回的是list
 content_list = selector.css('#content::text').getall()
 # ''.join(列表) 把列表轉換成字符串
 content_str = ''.join(content_list)
 save(name, title, content_str)


def get_all_url(html_url):
 # 調(diào)用請求網(wǎng)頁數(shù)據(jù)函數(shù)
 response = get_response(html_url)
 # 轉行成selector解析對象
 selector = parsel.Selector(response.text)
 # 所有的url地址都在 a 標簽里面的 href 屬性中
 dds = selector.css('#list dd a::attr(href)').getall()
 # 小說名字
 novel_name = selector.css('#info h1::text').get()
 for dd in tqdm(dds):
 novel_url = 'http://www.biquges.com' + dd
 get_one_novel(novel_name, novel_url)

if __name__ == '__main__':
 novel_id = input('輸入書名ID：')
 url = f'http://www.biquges.com/{novel_id}/index.html'
 get_all_url(url)