本文要实现的案例是通过 requests 库抓取 斗破小说网 上指定的小说的目录和每一节的完整内容(只保留纯文本内容)。当抓取包含目录和小说内容的页面后,会通过正则表达式分析 html 代码,并提取出目录标题,对应的 url 以及文本形式的小说内容。现在进入斗破小说网,选择一篇小说,本文选择了 斗破苍穹 目录页面如下图所示:
真是岁月催人老呀,怀念当年偷偷捂着被子,逃课看这本小说的年纪。这部小说的目录很多,我只截图了一部分,第一个任务要完成下载这个目录页面的代码,并从中提取出小说的目录以及对应的 URL 。在网页中按 F12 或者是 检查 调出控制台调试界面,如下图所示:
这步完成之后,我们就可以将标题作为文件名,然后抓取 URL 对应的页面内容,并提取出文本形式的小说正文,然后将小说正文保存在以标题作为文件名的文件夹中。随便单击一个章节,进入小说正文,使用上面的方式调出调试窗口,查看正文对应的 HTML 代码,如下图所示:
使用 requests 模块的时候,需要进行安装,如下图所示:
根据前面的分析,示例代码如下:
# -*- coding: utf-8 -*-
# @Time : 2020/5/9 19:03
# @Author : 我就是任性-Amo# @FileName: 76.抓取小说目录和全文.py
# @Software: PyCharm# @Blog :https://blog.csdn.NET/xw1680import requests # 第三方模块 需要使用pip安装import re # 导入正则模块import os
# 构造请求头headers = { "User-Agent": "Mozilla/5.0 (macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, "
"like Gecko) Chrome/81.0.4044.138 Safari/537.36"
}# TODO 1.根据小说链接得到小说目录和对应的url
def get_catalogue(url): # 发送请求 response = requests.get(url=url, headers=headers) response.encoding = "utf-8" # 指定编码
chapter_info_list = [] # 用来存储获取到的所有url和章节标题数据 if response.status_code == 200: # 判断请求是否成功
li_list = re.findall(r"<li>.*</li>", response.text) # 过滤 获取所有的li标签
for li in li_list:
# print(li)
result = re.search(r'href="(.*)" title="(.*)"', li) # 过滤出url和标题
if result:
# 组成完整的url chapter_url = "http://www.doupoxs.com" + result.group(1)
# 得到章节的标题 title = result.group(2)
# 使用字典存储url和title chapter = {"title": title, "url": chapter_url}
# 将字典添加到列表中 chapter_info_list.append(chapter) print(chapter_info_list)
return chapter_info_list
# TODO 2.根据章节目录,抓取目录对应的url指定的小说正文页面
def get_content(chapter_info_list): for chapter_info in chapter_info_list:
# 发送请求 response = requests.get(url=chapter_info["url"], headers=headers)
if response.status_code == 200: # 判断请求是否成功
# 判断小说文件夹是否存在 if os.path.exists("novel_斗破苍穹"):
pass else:
os.makedirs("novel_斗破苍穹")
content_list = re.findall(r"<p>(.*?)</p>", response.content.decode("utf8"))[1:-1]
# 建立文件 并将小说正文写入文件中 with open("./novel_斗破苍穹/" + chapter_info["title"] + ".txt", "w", encoding="utf8") as file:
# 将内容一行一行的写入文件中 for content in content_list:
file.write(content + "n")
if __name__ == '__main__':
get_content(get_catalogue("http://www.doupoxs.com/doupocangqiong/"))
程序执行结果如下图所示:
很简单,有木有!
此文转载于:Amo Xiang
著作权归作者所有,如有侵权联系小编删除!
原文地址:https://blog.csdn.net/xw1680/article/details/106025946