Python 爬虫2例:爬网络小说

程序逻辑:按给出的第一章节URL，抓HTML,然后通过正则表达式，取出小说章节的 标题、正文、下章节的URL， 然后跳转到下一章节，不断循环处理。 取出的正文写入文本文件。 同时记录每次取过的URL，如果网络异常了，重启程序，可以从文件中取URL继续上次的抓取任务。

正则，对应如下图:

代码: https://download.csdn.net/download/fangkailove/11205946

#!/usr/bin/python
# -*- coding: gbk -*-

# by gnolux 20190526
# email: [email protected]

from urllib import request
import re
import os
import socket

#socket.setdefaulttimeout(60)

#第一章节的URL
url = 'https://www.23us.la/html/203/203086/1130014.html'
#URL前辍,用来拼接出下章节的绝对URL用
url_prex = 'https://www.23us.la/html/203/203086/'

#取章节标题的正则表达式
title_match_str = r'
(.*?)
'
#取章节正文的正则表达式
content_match_str = r'
(.*?)
'
#取下一章节URL的正则表达式(相对URL)
next_page_match_str = r'
.*?返回列表→下一章'

#保存的文件名
save_file = 'd:/test/tclys.txt'



#如果已经运行过，则记录了最后一次运行的下一面地址，从文件中取url
last_url_file = '%s.url.txt'%save_file
if os.path.isfile(last_url_file):
    with open(last_url_file, 'r') as f:
        url = f.read()

headers = {'User-Agent':'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'}
#print(url)
for page in range(0,99999999):
    req=request.Request(url=url,headers=headers)
    url = ''
    #如果timeout尝试重新提交，最多尝试8次
    for t in range(0,8):
        try:
            response = request.urlopen(req,timeout=4)
            html = response.read()
            #print(html)
            html = html.decode("utf-8")
            title,content= '',''

            s=re.findall(title_match_str,html,re.S)
            if len(s) == 1:
                title=s[0]
            s=re.findall(content_match_str,html,re.S)
            if len(s) == 1:
                content = s[0]
                content=content.replace('
','').replace(' ','').replace('
','')

            #print(title,content)
            
            with open(save_file, 'a',encoding='utf-8') as f:
                f.write("%s\n%s\n"%(title,content))

            s=re.findall(next_page_match_str,html,re.S)
            if len(s) == 1:
                url = '%s%s'%(url_prex,s[0])
            else:
                print(s)

            #记录下一章地址到文件，出现网络异常时，可以续传
            with open(last_url_file, 'w') as f:
                f.write(url)

            #print('next url:%s'%url)
            print(title)
            #print(content)

            break;#成功则跳出重试。

        except Exception as e:      #抛出超时异常
            print('第%d次尝试连接'%t, str(e))
    if url == '':
        break;

转载注明:转自 https://blog.csdn.net/fangkailove/article/details/90577174