Python实现的爬取小说爬虫功能示例
本文实例讲述了Python实现的爬取小说爬虫功能。分享给大家供大家参考,具体如下:
想把顶点小说网上的一篇持续更新的小说下下来,就写了一个简单的爬虫,可以爬取爬取各个章节的内容,保存到txt文档中,支持持续更新保存。需要配置一些信息,设置文档保存路径,书名等。写着玩,可能不大规范。
# coding=utf-8 import requests from lxml import etree from urllib.parse import urljoin import re import os # 获取页面,并返回解析整理好的文本 def get_page(url): response = requests.get(url, headers=header) set_encoding(response) text = parse_page(response.text) return text # 解析页面,将当前页面中的文字筛选出来 def parse_page(html): title = re.findall('<div class="bookname">\s+<h1>(.+?)</h1>', html)[0] content = re.findall('div id="content">(.*?)</div>', html, re.S)[0] content = content.replace('<br />', '').replace(' ', ' ').replace('\r\n\r\n', '\r\n') content = title + '\r\n' + content + '\r\n\r\n' return content # 将文本追加到file_path对应的txt中 def save_page(path, text): with open(path, 'a', encoding='utf-8') as f: f.write(text) # 设置对response得到文本的解析编码为'gbk' def set_encoding(response): response.encoding = 'gbk' # 从配置文件中获取当前保存的链接总数 def get_current_chapters_count(path): # (1)第一次读配置文件可能没有创建,所以要支持没有文件创建文件的功能(2)如果文件存在,则不能清空,参考https://www.jb51.net/article/158740.htm with open(path, 'a+') as f: f.seek(0) res = f.read() if res == '': return 0 else: return int(res) # 将保存的链接总数保存到配置文件中 def set_current_chapters_count(path, count): with open(path, 'w') as f: f.write(str(count)) # 需要配置的字典 config_dic = dict(start_url='http://www.booktxt.net/2_2220/', # 待下载小说的章节首页 latest_item=9, # 列出的所有章节链接中,前面几个链接为最新章节,一般为9个,爬取时避免与最后部分重复,所以前面9个链接不爬取 bookname='赘婿', # 待下载的小说名 folder_path='D:\\') #保存位置 domain = 'http://www.booktxt.net' # 顶点网域名 if __name__ == '__main__': chapter_url_list = [] response = requests.get(config_dic['start_url'], headers=header) set_encoding(response) html = etree.HTML(response.text) chapters = html.xpath('//dd') print('所有链接' + str(len(chapters))) chapters = chapters[config_dic['latest_item']:] # 前9章为最新章节,后面还会重复,这里去掉 print('不重复有效章节链接' + str(len(chapters))) folder_path = config_dic['folder_path'] + config_dic['bookname'] if not os.path.exists(folder_path): os.mkdir(folder_path) file_path = folder_path + '\\' + config_dic['bookname'] + '.txt' config_file_path = folder_path + '\\' + 'config.txt' print('小说存储路径为:' + file_path) print('配置文件存储路径为:' + config_file_path) saved_count = get_current_chapters_count(config_file_path) # 获取目前保存的小说中已经包含的章节数 print('当前' + file_path + '中已经保存的章节总数' + str(saved_count)) if saved_count < len(chapters): # 说明有更新 set_current_chapters_count(config_file_path, len(chapters)) print('共更新 ' + str(len(chapters) - saved_count) + ' 章') for c in chapters[saved_count:]: # 从上次保存的位置开始继续保存 url = c.xpath('a/@href')[0] url = urljoin(domain, url) txt = c.xpath('a/text()')[0] chapter_url_list.append(url) print(url) print(txt) save_page(file_path, get_page(url)) else: print('小说还没有更新哦')
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
赞 (0)