系列文章目录

前言

由于很多时候没网路导致看不了小说，所以就用python写了一个爬取小说的

一、爬虫是什么？

是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

二、使用步骤

1.获取网页源代码

代码如下（示例）：

 header = {'user-agent': 'Mozilla/5.0'}
   req = requests.get('https://www.biqooge.com/2_2395/', headers=header)
    html = req.text

代码就这样，htnl就是url的网页源码

2.获取章节编号

获得网页源码后变要对它进行筛选，来获取我们想要的数据代码如下：

  soup = BeautifulSoup(html, 'html.parser')
    for items in soup.find_all('div', id='list')://获取id为list 里面dd标签里面的超链接
        item = items.select('dd a')//将数据存到数组里
	
	   for it in item:
        print(str(it).encode('raw_unicode_escape').decode('GBK'))//打印数组后面加的是反正中文乱码

循环打印出来的结果就是这样
在这里插入图片描述

由于我们只需要href里最后一个/后面的章节编号就行，所以在截取一下代码如下：

 for it in item:

        itemUrl = str(it).split("\"")[1]
        number = itemUrl[itemUrl.rindex('/') + 1:len(itemUrl)]  # 截取章节编号
        print(number)

代码执行效果如下：
在这里插入图片描述

3.获取章节内容

req_header = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.8',
    'Cookie': '__cfduid=d577ccecf4016421b5e2375c5b446d74c1499765327; UM_distinctid=15d30fac6beb80-0bdcc291c89c17-9383666-13c680-15d30fac6bfa28; CNZZDATA1261736110=1277741675-1499763139-null%7C1499763139; tanwanhf_9821=1; Hm_lvt_5ee23c2731c7127c7ad800272fdd85ba=1499612614,1499672399,1499761334,1499765328; Hm_lpvt_5ee23c2731c7127c7ad800272fdd85ba=1499765328; tanwanpf_9817=1; bdshare_firstime=1499765328088',
    'Host': 'www.qu.la',
    'Proxy-Connection': 'keep-alive',
    'Referer': 'http://www.qu.la/book/1265/765108.html',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'
}
	txt_section = 'https://www.biqooge.com/2_2395/'+ number  //要下载章节的路径
    r = requests.get(txt_section, params=req_header)
    
    r.encoding='GBK'//设置编码否则会中文乱码
    //soup转换
    soup = BeautifulSoup(r.text, "html.parser")

    // 获取章节名称
    section_name = str(soup.select('#wrapper .content_read .box_con .bookname h1')[0].text)
    // 获取章节文本
    section_text = str(soup.select('#wrapper .content_read .box_con #content')[0].text)
    
	//按照指定格式替换章节内容，运用正则表达式并将内容写入txt文件
    with io.open("D:\%s.txt" % (section_name ), "a") as f:

        f.write(section_name+"\n" + section_text)
    print('开始下载' + section_name)
    print('下载完成')

在这里插入图片描述

4.附上完整代码如下：

import io

import requests
import urllib.request
from bs4 import BeautifulSoup
import re
import os
import time

req_header = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.8',
    'Cookie': '__cfduid=d577ccecf4016421b5e2375c5b446d74c1499765327; UM_distinctid=15d30fac6beb80-0bdcc291c89c17-9383666-13c680-15d30fac6bfa28; CNZZDATA1261736110=1277741675-1499763139-null%7C1499763139; tanwanhf_9821=1; Hm_lvt_5ee23c2731c7127c7ad800272fdd85ba=1499612614,1499672399,1499761334,1499765328; Hm_lpvt_5ee23c2731c7127c7ad800272fdd85ba=1499765328; tanwanpf_9817=1; bdshare_firstime=1499765328088',
    'Host': 'www.qu.la',
    'Proxy-Connection': 'keep-alive',
    'Referer': 'http://www.qu.la/book/1265/765108.html',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'
}
item = [] #用来存放章节编号

#定义get_text函数
def get_text(name, url, number):
    txt_section = url + number  # 章节全路径

    r = requests.get(txt_section, params=req_header)
    r.encoding='GBK'
    # soup转换
    soup = BeautifulSoup(r.text, "html.parser")

    # 获取章节名称
    section_name = str(soup.select('#wrapper .content_read .box_con .bookname h1')[0].text)
    # 获取章节文本
    section_text = str(soup.select('#wrapper .content_read .box_con #content')[0].text)

    # 按照指定格式替换章节内容，运用正则表达式
    with io.open("D:\%s.txt" % (name), "a") as f:

        f.write(section_name+"\n" + section_text)
    print('开始下载' + section_name)
    print('下载完成')


def get_text01(url, name):
    item = []
    header = {'user-agent': 'Mozilla/5.0'}  # 模拟浏览器,防止被禁 2509

    req = requests.get(url, headers=header)
    html = req.text

  #soup转换
    soup = BeautifulSoup(html, 'html.parser')
    for items in soup.find_all('div', id='list'):# 获取id为list 里面dd标签里面的超链接
        item = items.select('dd a')
    del item[:9] #由于笔趣阁的小说页面有固定8章小说会放在第一章前面 所以读取完后删除前9章

    for it in item:

        itemUrl = str(it).split("\"")[1]
        number = itemUrl[itemUrl.rindex('/') + 1:len(itemUrl)]  # 截取章节编号
       
        get_text(name, url, number)

#调用get_text01() 要下那本小说点击进去然后将它的URL复制好就行了 name是小说名
get_text01(url='https://www.biqooge.com/2_2395/', name='万古最强宗')