Python3 爬蟲 requests+BeautifulSoup4(BS4) 教程

剛學Python爬蟲不久，迫不及待的找了一個網站練手，新筆趣閣：一個小說網站。

前提準備

安裝Python以及必要的模塊（requests，bs4），不瞭解requests和bs4的同學可以去官網看個大概之後再回來看教程

爬蟲思路

剛開始寫爬蟲的小白都有一個疑問，進行到什麼時候爬蟲還會結束呢？答案是：爬蟲是在模擬真人在操作，所以當頁面中的next鏈接不存在的時候，就是爬蟲結束的時候。

1.用一個queue來存儲需要爬蟲的鏈接，每次都從queue中取出一個鏈接，如果queue爲空，則程序結束
2.requests發出請求，bs4解析響應的頁面，提取有用的信息，將next的鏈接存入queue
3.用os來寫入txt文件

具體代碼

需要把域名和爬取網站對應的ip 寫入host文件中，這樣可以跳過DNS解析，不這樣的話，代碼運行一段時間會卡住不動

'''
抓取新筆趣閣https://www.xbiquge6.com/單個小說
爬蟲線路： requests - bs4 - txt
Python版本： 3.7
OS： windows 10
'''
import requests
import time
import sys
import os
import queue
from bs4 import BeautifulSoup 
# 用一個隊列保存url
q = queue.Queue()
# 首先我們寫好抓取網頁的函數
def get_content(url):

    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36',
        }

        r = requests.get(url=url, headers=headers)
        r.encoding = 'utf-8'
        content = r.text
        return content
    except:
        s = sys.exc_info()
        print("Error '%s' happened on line %d" % (s[1], s[2].tb_lineno))
        return " ERROR "

# 解析內容
def praseContent(content):
    soup = BeautifulSoup(content,'html.parser')
    chapter = soup.find(name='div',class_="bookname").h1.text
    content = soup.find(name='div',id="content").text
    save(chapter, content)
    next1 = soup.find(name='div',class_="bottem1").find_all('a')[2].get('href')
    # 如果存在下一個章節的鏈接，則將鏈接加入隊列
    if next1 != '/0_638/':
        q.put(base_url+next1)
    print(next1)
# 保存數據到txt
def save(chapter, content):
    filename = "修羅武神.txt"
    f =open(filename, "a+",encoding='utf-8')
    f.write("".join(chapter)+'\n')
    f.write("".join(content.split())+'\n') 
    f.close

# 主程序
def main():
    start_time = time.time()
    q.put(first_url)
    # 如果隊列爲空，則繼續
    while not q.empty():
        content = get_content(q.get())
        praseContent(content)
    end_time = time.time()
    project_time = end_time - start_time
    print('程序用時', project_time)

# 接口地址
base_url = 'https://www.xbiquge6.com'
first_url = 'https://www.xbiquge6.com/0_638/1124120.html'
if __name__ == '__main__':
    main()

總結

結果蠻成功的吧，就是過程比較慢，程序用時1個半小時。。23333繼續學習，有改進方案的歡迎提出來，一起交流。
QQ:1156381157