使用PyCharm批量爬取小說的完整代碼

更新時(shí)間：2021年04月06日 11:18:23 作者：～程～

這篇文章主要介紹了使用PyCharm批量爬取小說,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下

使用pycharm批量爬取小說

爬取小說的思路：

1.獲取小說地址

本文以搜書網(wǎng)一小說為例《噓，梁上有王妃！》
目錄網(wǎng)址：https://www.soshuw.com/XuLiangShangYouWangFei/
加載需要的包：

import re
from bs4 import BeautifulSoup as ds
import requests

獲取小說目錄文件，返回<Response [200]>，表示可正常爬取該網(wǎng)頁

base_url='https://www.soshuw.com/XuLiangShangYouWangFei/'
chapter_html=requests.get(base_url)
print(chapter_html)

2.分析小說地址結(jié)構(gòu)

解析目錄網(wǎng)頁 , 輸出結(jié)果為目錄網(wǎng)頁的源代碼

chapter_page_html=ds(chapter_page,'lxml')
print(chapter_page)

打開目錄網(wǎng)頁，發(fā)現(xiàn)在正文的目錄前面有一個(gè)最新章節(jié)目錄（這里有九個(gè)章節(jié)），再完整的目錄中是包含最新章節(jié)的，所以這里最新章節(jié)是不需要的。

在這里插入圖片描述

在網(wǎng)頁單擊右鍵選擇“檢查”（或者“屬性”，不同的瀏覽器的叫法不一致，我用的是IE）選擇“元素”列，鼠標(biāo)再右側(cè)代碼塊上移動(dòng)時(shí)。左側(cè)網(wǎng)頁會(huì)高亮顯示其對(duì)應(yīng)網(wǎng)頁區(qū)域，找到完整目錄對(duì)應(yīng)的代碼塊。如下圖：

在這里插入圖片描述

完整目錄的錨有兩個(gè)，分別是class="novel_list"和id=“novel108799”,仔細(xì)觀察后發(fā)現(xiàn)class不唯一，所以我們選用id提取該塊內(nèi)容

在這里插入圖片描述

將完整目錄塊提取出來

chapter_novel=chapter_page.find(id="novel108799")
print(chapter_novel)

結(jié)果如下（僅部分結(jié)果）：

在這里插入圖片描述

對(duì)比小說章節(jié)內(nèi)容網(wǎng)址和目錄網(wǎng)址（base_url）發(fā)現(xiàn)，我們只需要將base_url和章節(jié)內(nèi)容網(wǎng)址的后半段拼接到一起就可以得到完整的章節(jié)內(nèi)容網(wǎng)址

3.拼接地址

利用正則語言庫將地址后半段提取出來

chapter_novel_str=str(chapter_novel)
regx = '<dd><a href="/XuLiangShangYouWangFei(.*?)"'
chapter_href_list = re.findall(regx, chapter_novel_str)
print(chapter_href_list)

拼接url:
定義一個(gè)列表chapter_url_list接收完整地址

chapter_url_list = []
for i in chapter_href_list:
 url=base_url+i
 chapter_url_list.append(url)
print(chapter_url_list)

4.分析章節(jié)內(nèi)容結(jié)構(gòu)

打開章節(jié)，右鍵→“屬性”，查看內(nèi)容結(jié)構(gòu)，發(fā)現(xiàn)小說正文有class和id兩個(gè)錨，class是不變的，id隨著章節(jié)而變化，所以我們用class提取正文

在這里插入圖片描述

提取正文段

chapter_novel=chapter_page.find(id="novel108799")
print(chapter_novel)

提取正文文本和標(biāo)題

body_html=requests.get('https://www.soshuw.com/XuLiangShangYouWangFei/3647144.html')
body_page=ds(body_html.content,'lxml')
body = body_page.find(class_='content')
body_content=str(body)
print(body_content)
body_regx='<br/> (.*?)\n'
content_list=re.findall(body_regx,body_content)
print(content_list)
title_regx = '<h1>(.*?)</h1>'
title = re.findall(title_regx, body_html.text)
print(title)

5.保存文本

with open('1.txt', 'a+') as f:
 f.write('\n\n')
 f.write(title[0] + '\n')
 f.write('\n\n')
 for e in content_list:
  f.write(e + '\n')
print('{} 爬取完畢'.format(title[0]))

6.完整代碼

import re
from bs4 import BeautifulSoup as ds
import requests
base_url='https://www.soshuw.com/XuLiangShangYouWangFei'
chapter_html=requests.get(base_url)
chapter_page=ds(chapter_html.content,'lxml')
chapter_novel=chapter_page.find(id="novel108799")
#print(chapter_novel)
chapter_novel_str=str(chapter_novel)
regx = '<dd><a href="/XuLiangShangYouWangFei(.*?)"'
chapter_href_list = re.findall(regx, chapter_novel_str)
#print(chapter_href_list)
chapter_url_list = []
for i in chapter_href_list:
 url=base_url+i
 chapter_url_list.append(url)
#print(chapter_url_list)

for u in chapter_url_list:
 body_html=requests.get(u)
 body_page=ds(body_html.content,'lxml')
 body = body_page.find(class_='content')
 body_content=str(body)
 # print(body_content)
 body_regx='<br/> (.*?)\n'
 content_list=re.findall(body_regx,body_content)
 #print(content_list)
 title_regx = '<h1>(.*?)</h1>'
 title = re.findall(title_regx, body_html.text)
 #print(title)
 with open('1.txt', 'a+') as f:
  f.write('\n\n')
  f.write(title[0] + '\n')
  f.write('\n\n')
  for e in content_list:
   f.write(e + '\n')
 print('{} 爬取完畢'.format(title[0]))

到此這篇關(guān)于使用PyCharm批量爬取小說的文章就介紹到這了,更多相關(guān)PyCharm批量爬取小說內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: