Python每日一练(18)-抓取小说目录和全文

本文要实现的案例是通过 requests 库抓取 斗破小说网 上指定的小说的目录和每一节的完整内容(只保留纯文本内容)。当抓取包含目录和小说内容的页面后，会通过正则表达式分析 HTML 代码，并提取出目录标题，对应的 url 以及文本形式的小说内容。现在进入斗破小说网，选择一篇小说，本文选择了 斗破苍穹 目录页面如下图所示：

真是岁月催人老呀，怀念当年偷偷捂着被子，逃课看这本小说的年纪。这部小说的目录很多，我只截图了一部分，第一个任务要完成下载这个目录页面的代码，并从中提取出小说的目录以及对应的 URL 。在网页中按 F12 或者是 检查 调出控制台调试界面，如下图所示：

这步完成之后，我们就可以将标题作为文件名，然后抓取 URL 对应的页面内容，并提取出文本形式的小说正文，然后将小说正文保存在以标题作为文件名的文件夹中。随便单击一个章节，进入小说正文，使用上面的方式调出调试窗口，查看正文对应的 HTML 代码，如下图所示：

使用 requests 模块的时候，需要进行安装，如下图所示：

根据前面的分析，示例代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2020/5/9 19:03
# @Author  : 我就是任性-Amo
# @FileName: 76.抓取小说目录和全文.py
# @Software: PyCharm
# @Blog    ：https://blog.csdn.net/xw1680

import requests  # 第三方模块 需要使用pip安装
import re  # 导入正则模块
import os

# 构造请求头
headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, "
                  "like Gecko) Chrome/81.0.4044.138 Safari/537.36"
}


# TODO 1.根据小说链接得到小说目录和对应的url
def get_catalogue(url):
    # 发送请求
    response = requests.get(url=url, headers=headers)
    response.encoding = "utf-8"  # 指定编码
    chapter_info_list = []  # 用来存储获取到的所有url和章节标题数据
    if response.status_code == 200:  # 判断请求是否成功
        li_list = re.findall(r"
.*
", response.text)  # 过滤 获取所有的li标签
        for li in li_list:
            # print(li)
            result = re.search(r'href="(.*)" title="(.*)"', li)  # 过滤出url和标题
            if result:
                # 组成完整的url
                chapter_url = "http://www.doupoxs.com" + result.group(1)
                # 得到章节的标题
                title = result.group(2)
                # 使用字典存储url和title
                chapter = {"title": title, "url": chapter_url}
                # 将字典添加到列表中
                chapter_info_list.append(chapter)
    print(chapter_info_list)
    return chapter_info_list


# TODO 2.根据章节目录，抓取目录对应的url指定的小说正文页面
def get_content(chapter_info_list):
    for chapter_info in chapter_info_list:
        # 发送请求
        response = requests.get(url=chapter_info["url"], headers=headers)
        if response.status_code == 200:  # 判断请求是否成功
            # 判断小说文件夹是否存在
            if os.path.exists("novel_斗破苍穹"):
                pass
            else:
                os.makedirs("novel_斗破苍穹")
            content_list = re.findall(r"
(.*?)
", response.content.decode("utf8"))[1:-1]
            # 建立文件 并将小说正文写入文件中
            with open("./novel_斗破苍穹/" + chapter_info["title"] + ".txt", "w", encoding="utf8") as file:
                # 将内容一行一行的写入文件中
                for content in content_list:
                    file.write(content + "\n")


if __name__ == '__main__':
    get_content(get_catalogue("http://www.doupoxs.com/doupocangqiong/"))

程序执行结果如下图所示：