Python下载网络小说实例代码
看网络小说一般会攒上一波,然后导入Kindle里面去看,但是攒的多了,机械的Ctrl+C和Ctrl+V实在是OUT,所以就出现了此文。
其实Python我也是小白,用它的目的主要是它强大文本处理能力和网络支持,以及许多好用的库,不需要自己造轮子。而且真心比C方便啊(真是用了才知道)
分析要获取的网页
我要获取的主要是3个东西:
- 文章的标题。<div id="title">正文 第一章 北灵院</div>
- 文章正文内容。<div id="content" style="line-height: 150%; color: rgb(0, 0, 0);">
- 下一章的URL。<a href="11455541.html" rel="external nofollow" >下一页</a>
还有就是注意网页的编码,这个网页的编码是GBK,但在实际运行过程中,我用GBK会出现网页解码错误:
UnicodeDecodeError: ‘gbk' codec can't decode bytes in position 2-3: illegal multibyte sequence
所以换用了gb18030,问题就解决了,因为一般修仙网络小说中,会出现各种王霸之气的文字,你们懂得,所以需要更加牛逼文字库,你们感受一下博大精深的字符编码。
源代码
我就知道,大家要这个,哈哈哈。
主函数
#主函数 if __name__ == '__main__': global numChapter global NOVERL NOVERL = '大主宰.txt' #NOVERL = '择天记.txt' NOVERL = '武动乾坤.txt' if(NOVERL == '大主宰.txt'): textStartURL = 'http://www.bxwx8.org/b/62/62724/11455540.html';#大主宰第一章的URL textStartURL = 'http://www.bxwx8.org/b/62/62724/28019405.html';#第一千两百三十七章 鬼大师 else: textStartURL = 'http://www.bxwx8.org/b/98/98289/17069215.html';#择天记第一章URL textStartURL = 'http://www.bxwx8.org/b/98/98289/28088874.html';#择天记第七十八章 合剑术 textStartURL = 'http://www.bxwx8.org/b/35/35282/5839471.html';#武动乾坤第一章 #textStartURL = 'http://www.bxwx8.org/b/35/35282/7620539.html';#武动乾坤 nextURL = textStartURL; isEnd = False f = open(NOVERL, 'w', encoding='utf-8') f.close() numChapter = 0; while(not isEnd): nextURL,isEnd = findNextTextURL(nextURL) print('end of capture!') print('获取到 ' + str(numChapter) + ' 章')
获取内容和下一章URL
#找到 下一章节的URL #获取小说内容 def findNextTextURL(url): global numChapter global NOVERL #如果nextURL == endURL 则返回false if(NOVERL == '大主宰.txt'): endURL = 'http://www.bxwx8.org/b/62/62724/index.html'#大主宰 headURL = 'http://www.bxwx8.org/b/62/62724/'#大主宰 else: endURL = 'http://www.bxwx8.org/b/98/98289/index.html'#择天记 headURL = 'http://www.bxwx8.org/b/98/98289/'#择天记 endURL = 'http://www.bxwx8.org/b/35/35282/index.html'#武动乾坤 headURL = 'http://www.bxwx8.org/b/35/35282/'#武动乾坤 isEnd = False resp = urllib.request.urlopen(url) #处理的字符的确是gbk的,但是其中夹杂的部分特殊字符, #是gbk编码中所没有的如果有些特殊字符是GB18030中有的,但是是gbk中没有的。 #则用gbk去解码,去所不支持的字符,也比如会出错。 #所以,此种情况,可以尝试用和当前编码(gbk)所兼容的但所包含字符更多的编码(gb18030)去解码,或许就可以了。 #allHtml = resp.read().decode('gbk')# allHtml = resp.read().decode('gb18030')# textSoup = BeautifulSoup(allHtml) #章节名 strChapter = textSoup.find(id='title').getText().split(r'【')[0] strChapter = strChapter.split(r'(')[0] strChapter = strChapter.replace('正文 ','') + '\n' numChapter = numChapter + 1 strID = '#' + str(numChapter) + '-' strChapter = strID + strChapter strChapter = strChapter + '\n------------------------------\n' + url + '\n------------------------------\n' #小说正文 strNovel = textSoup.find(id='content').getText() strNovel = strNovel.replace(' ','\n') #除去正文中多余的第XXX章 strMatch = r"第[\u4e00-\u9fa5]+章" list2replace = re.findall(strMatch, strNovel) if list2replace: str2replace = list2replace[0] strNovel = strNovel.replace(str2replace, '') #合并章节和正文 strNovel = strChapter + strNovel + '\n------------------------------\n------------------------------\n' #写到txt文件中 write2TXT(strNovel) #获取下一个章节的URL nextURL = re.findall(r'var next_page = "[\w]+.html"', allHtml)[0] nextURL = nextURL.replace(r'"', '') nextURL = nextURL.replace(r'var next_page = ', '') nextURL = headURL + nextURL print(numChapter)#章节数 print(strChapter)#章节名字 print((nextURL))#下一章URL if(endURL == nextURL): isEnd = True return nextURL,isEnd
写入TXT
#写到文本文件中 def write2TXT(txt): global NOVERL f = open(NOVERL, 'a', encoding='utf-8') f.write(txt + '\n\n') f.close()
结束语
三个说明:
- txt文本的编排肯定不好,而且在Kindle里面无法自动分章,多看阅读可以,原生系统就GG了,所以下一步可以用epubBuilder这款软件进行二次编排,输出mobi导入你的Kindle。
- 本程序只是针对这个网站而已,但是如果网站换了,细节性代码就得重新写了。不过大框架还可以用。
- 网络小说毒害有志青年,一入网文深是海,从此节操是路人,诸君且行且珍惜!
总结
以上就是本文关于Python下载网络小说实例代码的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题,如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!
您可能感兴趣的文章:
- Python使用requests及BeautifulSoup构建爬虫实例代码
- Python爬虫天气预报实例详解(小白入门)
- Python爬虫爬取一个网页上的图片地址实例代码
- Python实现可获取网易页面所有文本信息的网易网络爬虫功能示例
- 使用python 爬虫抓站的一些技巧总结
- Python爬虫实例_利用百度地图API批量获取城市所有的POI点
- Python之多线程爬虫抓取网页图片的示例代码
- Python爬虫实例_城市公交网络站点数据的爬取方法
赞 (0)