w3cschool上的来练练手,爬取笔趣看小说http://www.biqukan.com/,
爬取《凡人修仙传仙界篇》的所有章节
1.利用requests访问目标网址,使用了get方法
2.使用BeautifulSoup解析返回的网页信息,使用了BeautifulSoup方法
3.从中获取我们需要的小说内容,使用了find,find_all等方法
4.进行格式化处理,主要是python里字典和列表的运算
5.保存到txt文件,涉及一些简单的文件操作,open,write等
import requests
from bs4 import BeautifulSoup
from selenium import webdriver
import os class NovelSpider:
def __init__(self):
self.start_url = 'https://www.biqukan.com/1_1680/' def get_novel(self):
# 访问起始URL
response = requests.get(self.start_url)
# 这里用lxml解析器会出问题,找了好久才发现。。。
soup = BeautifulSoup(response.text, 'html.parser')
# print(response.text)
div_chapter = soup.find(class_="listmain")
# print(div_chapter)
# 选取所有的a标签,a标签包含所有章节名称和URL
chapter_list = div_chapter.find_all('a')
# 这里去除前12个重复的章节(具体看html代码)
chapter_list = chapter_list[12:]
#print(chapter_list)
chapter = []
# 记录总章节数,下载显示完成率
chapter_num = len(chapter_list)
# 设置计数器
count = 0
# 循环对每个章节进行访问和下载
print('《凡人修仙传仙界篇》开始下载:')
for cl in chapter_list:
chapter_dict = {}
chapter_name = cl.get_text()
# 抓取章节名称
chapter_dict['name'] = chapter_name
chapter_url = cl.get('href')
# 抓取章节URL地址
chapter_dict['value'] = 'https://www.biqukan.com' + chapter_url
if chapter_dict not in chapter:
chapter.append(chapter_dict)
print(f"已下载:{count}/{chapter_num}")
# 调用download_novel(),按章节下载小说
self.download_novel(chapter_dict)
# 同时计数器加一
count += 1 def parse_novel(self, url):
# 小说章节的具体内容是动态加载的,用Phantom访问
browser = webdriver.PhantomJS(executable_path=r'F:\Spider\novelSpider\phantomjs.exe')
browser.get(url)
soup = BeautifulSoup(browser.page_source, 'html.parser')
find_txt = soup.find(class_='showtxt')
# print(type(find_txt.get_text()))
return find_txt.get_text() def download_novel(self, data): # data是{name:章节名,value:章节url地址}的字典
filename = data['name']
url = data['value']
# 通过url访问小说章节的具体内容,返回小说内容,str
txt = self.parse_novel(url) # 设置下载存储路径
path = r"F:\Spider\novelSpider"
# 检查路径是否存在,否则创建新的文件夹
isExists = os.path.exists(path)
if not isExists:
# print('创建了新的文件夹')
os.mkdir(path)
else:
# print('文件夹已存在')
pass # 保存txt文件
with open(path + f'\凡人修仙传仙界篇.txt', 'a', encoding='utf-8') as f:
# print(f'正在下载--{filename}')
f.write(f'{filename}\n\n')
f.write(txt)
# 章节分割线
f.write('\n======\n\n')
f.close() if __name__ == '__main__':
ns = NovelSpider()
ns.get_novel()
下载真的是超级慢,,,好像是PhantomJS访问花时间,,有待学习和改进!