python爬虫入门(1):爬万本书籍

最近闲的无聊，想爬点书看看。 于是我选择了这个网站雨枫轩。

STEP1.分析网站

---

一开始我想通过一篇文章引用的链接，将书爬完，后来发现并不需要这样做。比如我们可以打开人生哲学这个栏目。

如图1所示，会把页面数全列出来。
并且这个url

http://txt.rain8.com/txtzx/list_93_1.html

也非常的有规律。
可以看出是由

'http://txt.rain8.com/txt'+'栏目名称'+'list_栏目编号_页数.html'

组成的。
知道了这点后，我们就能轻松的把网站爬完了。

STEP2.初始化

首先我们来理清思路。

这是我们需要的库

import requests
import re
import os

其实这个项目用urllib2也能完成。
我们首先来初始化,在self.urls里，我们定义一些需要fetch的栏目。(比如言情，恐怖仙侠之类的书就可以跳过)。然后写一些正则表达式，供其他的method使用。

class fetchBook:
    def __init__(self):
        self.header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}
        self.urls = [
                     'http://txt.rain8.com/txtgw/',
                     'http://txt.rain8.com/txtzj/',
                     'http://txt.rain8.com/txtzx/',
                     'http://txt.rain8.com/txtsh/'
                     ]
        self.rePageIndex = re.compile('list_\d+_\d+.html')#得到栏目编号
        self.rePageCount = re.compile('\d+')#得到页面数目
        self.reDownloadGet1 = re.compile('href=.http://txt.rain8.com/plus/xiazai_yfx.php?[^>]+')#得到下载链接
        self.reGetTitle = re.compile('')#得到标题
        self.reGetAuthor = re.compile("[^>]+")#得到作者名称
        self.reBookGetNew = re.compile('')#得到书籍链接
        self.reBookGetOld = re.compile('')
        self.cnt = 0

STEP3.获取所有的页面

我们可以查看人生哲学源代码。可以找到总共的页数。

然后我们就能得到每一页的数据。
代码如下

    def viewAllPage(self,url):
        """
        函数功能为把该栏目下所有页面全过一遍。
        """
        req = requests.get(url,headers = self.header)
        pageIndex = self.rePageIndex.findall(req.text)[0][5:7]
        pageCount = int(self.rePageCount.findall(req.text)[0][8:-9])
        urlToFetch = [url,'list_',pageIndex,'_','1','.html']
        foldname = self.reGetTitle.findall(req.text)[0][7:]
        foldname = foldname.encode('unicode_escape').decode('string_escape')
        foldname = foldname.split('|')[0]
        self.createDir(foldname)
        for page in range(1,pageCount+1):
            urlToFetch[4] = str(page)
            url_to_get = ''.join(urlToFetch)#得到所有页面的url

STEP4.得到下载链接

然后我们用上面写好的正则表达式，来匹配她的下载链接。

    def fetchDownloadUrl(self,bookurl):
        req = requests.get(bookurl,headers = self.header)
        result = self.reDownloadGet1.findall(req.text)
        result = result[0][6:-17]
        authorname = self.reGetAuthor.findall(req.text)[0][14:-6].encode('unicode_escape').decode('string_escape')
        req = requests.get(result,headers = self.header)
        bookname = self.reGetTitle.findall(req.text)[0][7:-24]
        downloadurl = self.reDownloadGet1.findall(req.text)[0][6:-17]
        return downloadurl,bookname,authorname

STEP5.下载

下载的时候，由于该网站下载的书都是rar格式的。所以我们只要用二进制的方式写就可以了。
我们调用

self.req = requests.get(downloadUrl,headers = self.header)

然后

f = open(posi+'/'+bookname+'.rar','wb')

就可以写进去了。

STEP6.编码问题

之前一直被python的编码问题搞的头大，这次又遇见了。于是找了点资料看了看。
因为python工作使用的编码是unicode，如果要在编码间进行转化，推荐要先decode成unicode，然后再encode成别的编码。
然后我在爬内容的过程中碰到了这个问题：

s = u'\xb9\xc5\xca\xab\xb4\xca\xc3\xfb\xd6\xf8'

\xb9这样的很明显应该是gbk编码。而python却在字符串前加了个u。然后我对这串字符encode还是decode都会报错。或者打印出来乱码。
经过查阅资料，我找到了一种解决办法

s.encode('unicode_escape').decode('string_escape')

经过这样处理后

>>> print repr(s)
>>> '\xb9\xc5\xca\xab\xb4\xca\xc3\xfb\xd6\xf8'

很明显就恢复了正常。这时我们只要decode('gb2312')就能转换成unicode编码了。

STEP7.结果展示

github地址
喜欢的可以点一下喜欢。