版权声明：本文为博主原创文章。未经博主同意不得转载。
https://blog.csdn.net/jcjc918/article/details/37533073
你是否苦恼于网上无法下载的“小说在线阅读”内容？或是某些文章的内容让你非常有收藏的冲动，却找不到一个下载的链接？是不是有种自己写个程序把全部搞定的冲动？是不是学了 python。想要找点东西大展拳脚，告诉别人“哥但是非常牛逼的！
”？那就让我们開始吧。 哈哈~
好吧。我就是近期写 Yii 写多了，想找点东西调剂一下.... = =
本项目以研究为目的，全部版权问题我们都是站在作者的一边，以看盗版小说为目的的读者们请自行面壁！
说了这么多，我们要做的就是把小说正文的内容从网页上爬下来，我们的研究对象是全本小说网....再次声明。不正确不论什么版权负责....
一開始先做最基础的内容，就是把某一章的内容抓取下来。
环境：Ubuntu, Python 2.7
基础知识
这个程序涉及到的知识点有几个，在这里列出来，不具体讲。有疑问的直接百度会有一堆的。
1.urllib2 模块的 request 对像来设置 HTTP 请求，包括抓取的 url，和伪装浏览器的代理。
然后就是 urlopen 和 read 方法，都非常好理解。
2.chardet 模块，用于检測网页的编码。
在网页上抓取数据非常easy遇到乱码的问题，为了推断网页是 gtk 编码还是 utf-8 。所以用 chardet 的 detect 函数进行检測。在用 Windows 的同学能够在这里 http://download.csdn.net/detail/jcjc918/8231371 下载。解压到 python
的 lib 文件夹下就好。
3. decode 函数将字符串从某种编码转为 unicode 字符，而 encode 把 unicode 字符转为指定编码格式的字符串。
4. re 模块正則表達式的应用。search 函数能够找到和正則表達式相应匹配的一项。而 replace 则是把匹配到的字符串替换。
思路分析：
我们选取的 url 是 http://www.quanben.com/xiaoshuo/0/910/59302.html。斗罗大陆的第一章。你能够查看网页的源码，会发现仅仅有一个 content 标签包括了全部章节的内容，所以能够用正则把 content 的标签匹配到，抓取下来。试着把这一部分内容打印出来，会发现非常多 <br /> 和  。<br /> 要替换成换行符，   是网页中的占位符。即空格，替换成空格就好。这样一章的内容就非常美观的出来了。完整起见，相同用正则把标题爬下来。
# -*- coding: utf-8 -*-
import urllib2
import re
import chardet
class Book_Spider:
def __init__(self):
self.pages = []
# 抓取一个章节
def GetPage(self):
myUrl = "http://www.quanben.com/xiaoshuo/0/910/59302.html";
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
request = urllib2.Request(myUrl, headers = headers)
myResponse = urllib2.urlopen(request)
myPage = myResponse.read()
#先检測网页的字符编码,最后统一转为 utf-8
charset = chardet.detect(myPage)
charset = charset['encoding']
if charset == 'utf-8' or charset == 'UTF-8':
myPage = myPage
else:
myPage = myPage.decode('gb2312','ignore').encode('utf-8')
unicodePage = myPage.decode("utf-8")
try:
#抓取标题
my_title = re.search('<h1>(.*?)</h1>',unicodePage,re.S)
my_title = my_title.group(1)
except:
print '标题 HTML 变化。请又一次分析！'
return False
try:
#抓取章节内容
my_content = re.search('<div.*?
id="htmlContent" class="contentbox">(.*?)<div',unicodePage,re.S)
my_content = my_content.group(1)
except:
print "内容 HTML 变化，请又一次分析！"
return False
#替换正文中的网页代码
my_content = my_content.replace("<br />","\n")
my_content = my_content.replace(" "," ")
#用字典存储一章的标题和内容
onePage = {'title':my_title,'content':my_content}
return onePage
# 用于载入章节
def LoadPage(self):
try:
# 获取新的章节
myPage = self.GetPage()
if myPage == False:
print '抓取失败！'
return False
self.pages.append(myPage)
except:
print '无法连接server。'
#显示一章
def ShowPage(self,curPage):
print curPage['title']
print curPage['content']
def Start(self):
print u'開始阅读......\n'
#把这一页载入进来
self.LoadPage()
# 假设self的pages数组中存有元素
if self.pages:
nowPage = self.pages[0]
self.ShowPage(nowPage)
#----------- 程序的入口处 -----------
print u"""
---------------------------------------
程序：阅读呼叫转移
版本号：0.1
作者：angryrookie
日期：2014-07-05
语言：Python 2.7
功能：按下回车浏览章节
---------------------------------------
"""
print u'请按下回车：'
raw_input()
myBook = Book_Spider()
myBook.Start()
程序执行完在我这里但是非常好看的，不信请看：^_^