本文要實現的案例是通過 requests
庫抓取 鬥破小說網 上指定的小說的目錄和每一節的完整內容(只保留純文本內容)。當抓取包含目錄和小說內容的頁面後,會通過正則表達式分析 HTML
代碼,並提取出目錄標題,對應的 url
以及文本形式的小說內容。現在進入鬥破小說網,選擇一篇小說,本文選擇了 鬥破蒼穹 目錄頁面如下圖所示:
真是歲月催人老呀,懷念當年偷偷捂着被子,逃課看這本小說的年紀。這部小說的目錄很多,我只截圖了一部分,第一個任務要完成下載這個目錄頁面的代碼,並從中提取出小說的目錄以及對應的 URL
。在網頁中按 F12
或者是 檢查
調出控制檯調試界面,如下圖所示:
這步完成之後,我們就可以將標題作爲文件名,然後抓取 URL
對應的頁面內容,並提取出文本形式的小說正文,然後將小說正文保存在以標題作爲文件名的文件夾中。隨便單擊一個章節,進入小說正文,使用上面的方式調出調試窗口,查看正文對應的 HTML
代碼,如下圖所示:
使用 requests
模塊的時候,需要進行安裝,如下圖所示:
根據前面的分析,示例代碼如下:
# -*- coding: utf-8 -*-
# @Time : 2020/5/9 19:03
# @Author : 我就是任性-Amo
# @FileName: 76.抓取小說目錄和全文.py
# @Software: PyCharm
# @Blog :https://blog.csdn.net/xw1680
import requests # 第三方模塊 需要使用pip安裝
import re # 導入正則模塊
import os
# 構造請求頭
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.根據小說鏈接得到小說目錄和對應的url
def get_catalogue(url):
# 發送請求
response = requests.get(url=url, headers=headers)
response.encoding = "utf-8" # 指定編碼
chapter_info_list = [] # 用來存儲獲取到的所有url和章節標題數據
if response.status_code == 200: # 判斷請求是否成功
li_list = re.findall(r"<li>.*</li>", response.text) # 過濾 獲取所有的li標籤
for li in li_list:
# print(li)
result = re.search(r'href="(.*)" title="(.*)"', li) # 過濾出url和標題
if result:
# 組成完整的url
chapter_url = "http://www.doupoxs.com" + result.group(1)
# 得到章節的標題
title = result.group(2)
# 使用字典存儲url和title
chapter = {"title": title, "url": chapter_url}
# 將字典添加到列表中
chapter_info_list.append(chapter)
print(chapter_info_list)
return chapter_info_list
# TODO 2.根據章節目錄,抓取目錄對應的url指定的小說正文頁面
def get_content(chapter_info_list):
for chapter_info in chapter_info_list:
# 發送請求
response = requests.get(url=chapter_info["url"], headers=headers)
if response.status_code == 200: # 判斷請求是否成功
# 判斷小說文件夾是否存在
if os.path.exists("novel_鬥破蒼穹"):
pass
else:
os.makedirs("novel_鬥破蒼穹")
content_list = re.findall(r"<p>(.*?)</p>", response.content.decode("utf8"))[1:-1]
# 建立文件 並將小說正文寫入文件中
with open("./novel_鬥破蒼穹/" + chapter_info["title"] + ".txt", "w", encoding="utf8") as file:
# 將內容一行一行的寫入文件中
for content in content_list:
file.write(content + "\n")
if __name__ == '__main__':
get_content(get_catalogue("http://www.doupoxs.com/doupocangqiong/"))
程序執行結果如下圖所示: