Python基础练习（二）笔趣看《伏天氏》全文章节爬取
大家如果觉得有帮助的话，可以关注我的知乎https://www.zhihu.com/people/hdmi-blog/posts，里面有写了一些我学习爬虫的练习~
今天我们想要爬取的是笔趣看小说网上的网络小说，并将其下载，保存为文件。
运行平台：Windows
Python版本：Python3.6
IDE:Sublime Text
其他：Chrome浏览器
步骤1：通过Chrome浏览器检查元素
步骤2：获取单个页面HTML文本
步骤3：解析HTML文本并获取所有章节的名称和链接
步骤4：获取每个章节的文本并简单修改格式
步骤5：将获取的内容存成txt文件
首先还是打开浏览器查看网页中元素位置，打开网页，右键检查
可以清楚的看到，各章节链接和名称都在class为'listmain'的块中，而文章内容则在class为'showtxt'的块中,所以等下我们用BeautifulSoup解析HTML文本时便能跟很方便的提取信息。
检查完元素位置之后我们便可以访问网页并去获取网页HTML文本了。
同样使用上一篇所讲的通用代码框架来获取网页HTML文本，这里我将return response.text给注释掉了，改用print,我们可以先看一下输出结果。
不管标签样式之类，只看文本的话，确实和网页中一样，这证明我们能成功访问了网页并获取到了网页的HTML文本。
随后我们需要解析章节信息，获取《伏天氏》所有的章节名称和URL，便于我们下一步获取章节内容。
第一步的审查告诉我们，所有的章节信息都放在了class为listmain的块中，所以我们使用BeautifulSoup解析完文本后，再使用find()方法找到这块内容，再用for循环找到 所有章节信息，然后分别存放到链接和章节名称列表中。
获取到各章节链接后，就可以通过访问各链接，然后再解析各文本获取各章节内容了。
章节内容都在class为showtxt的块中，我们将其提取出来会发现每一行的开始会有8个 （如下图所示），这个是HTML中的占位符，普通的空格在HTML中只能算一个，而这个占位符则是写几个算几个空格。但是在这里我们并不需要显示空格，所以我们可以replace给替换掉，转为空行显示。
提取章节内容的同时，我们可以同时写入文件。
这里文件操作时，我用的‘a’追加模式，因为不是同时写入，而是通过对章节循环，循环获取章节信息的同时写入文件。在循环的同时，引入了time.sleep()方法，休息1秒，使得访问频率有所下降，避免对服务器造成负担。
这里的tqdm是Python的一个进度条模块，可以用来显示下载进度。但可惜，不知道为什么，在windows下使用这个模块，进度条并不能正常显示，如图所示，会出现换行输出的格式，修改固定宽度也没用，如果有大佬知道原因和修改方式，还望不吝赐教，感激不尽。
这个进度条不怎么让人满意，当然，进度条也可以用sys模块自己构建。这里就不做说明了，尽管这个tqdm没有很好的显示，但是小说内容还是完整的爬取下来了。
代码如下：
import requests
from bs4 import BeautifulSoup
from tqdm import tqdm
import time
def get_one_page(all_url):
'''获取单个页面的HTML文本'''
try:
response = requests.get(all_url,timeout=20)
response.raise_for_status()
response.encoding = response.apparent_encoding
#print(response.text)
return response.text
except:
print('Failed')
return None
def parse_all_pages(html,urls,chapter_name):
'''解析章节信息并存入列表'''
soup = BeautifulSoup(html,'html.parser')
chapters = soup.find('div',class_='listmain')
for dd in chapters.find_all('a')[12:]:
urls.append(dd.get('href'))
chapter_name.append(dd.text)
def parse_one_chapter(content):
'''解析并返回章节内容'''
soup = BeautifulSoup(content,'html.parser')
#title = soup.find('div',class_='content').find('h1').text
texts = soup.find_all('div',class_='showtxt')[0].text.replace('\xa0'*8,'\n\n')
return texts
def write_to_file(chapter_name,texts):
'''将章节内容写入txt文件'''
with open ('《伏天氏》.txt','a',encoding='utf-8') as f:
f.write(chapter_name + '\n')
f.write(texts)
f.write('\n\n')
def main():
urls = [] # 存放链接的列表
chapter_name = [] # 存放章节名称的列表
all_url = 'http://www.biqukan.com/0_243/'
html = get_one_page(all_url)
parse_all_pages(html,urls,chapter_name)
print('《伏天氏》开始下载。。。')
for i in tqdm(range(len(chapter_name))):
url = 'http://www.biqukan.com'+ urls[i]
content = get_one_page(url)
texts = parse_one_chapter(content)
write_to_file(chapter_name[i],texts)
time.sleep(1)
print('《伏天氏》下载完成。。。')
if __name__ == '__main__':
main()
《伏天氏》是网文大神净无痕所写的东方玄幻小说，还在连载中哦，小说写得很好看呢，当然，大家还是要支持净无痕大大，去起点中文网订阅这本精彩的小说吧。
这篇文章参考于Jack-Cui的知乎文章https://www.zhihu.com/people/Jack--Cui/里面还介绍了许多爬虫的知识，另外还有图片和视频爬取的案例，大家可以去学习呀。
浙公网安备 33010602011771号