中文编程，用python编写小说网站爬虫

中文编程，用python编写小说网站爬虫 - 乘风龙王的文章 - 知乎 https://zhuanlan.zhihu.com/p/51309019

我比较喜欢看小说，在网络上看小说一般有2种选择，正版或盗版。正版要钱，盗版要么只能在线阅读，要么下载下来一堆广告。既然学了python就应该写点爬虫练练手，把网络小说爬下来。

本文章需要的python第三方库：

• requests（获取网页内容）
• BeautifulSoup4（解析网页内容）

本文章需要读者具备python基础知识，并且我不会对文章中所出现的标准库、第三方库的每个类/函数的作用进行解释，请大家自行查阅资料。我不会对代码中的中文命名进行解释。

寻找目标

由于那些著名的小说网站具有很强的版权意识，防盗版措施做得很好，要把小说内容爬下来不是很容易。所以我选择一个盗版小说网站作为爬虫目标。

嗯，全是盗版。

首先编写代码获取文档内容。

from bs4 import BeautifulSoup   #beautifulsoup4
import requests #requests

def f创建解析器(a文本):
    return BeautifulSoup(a文本, "html.parser")
def f获取文档(a地址):
    v请求 = requests.get(url = a地址)
    v页面 = v请求.text
    return v页面

打开其中一本小说目录页，记住地址，然后调用 f获取文档 测试代码是否可以运行。

看起来只输出了一半内容，实际上 v文档 已经包含了所有内容，只不过是字符串太长了被print截断而已。

框架

浏览一下小说网站结构，每个小说页面可以分为目录页、正文页。

设计2个接口，分别取名 I小说 和 I章节，I小说 用来提取小说信息和目录，I章节 用来提取章节信息和小说正文。同时定义 I文档，负责从网站上获取文档

class I文档:
    def __init__(self):
        self.m文档 = None
    def f重新载入(self):
        self.m文档 = f创建解析器(f获取文档(self.fg地址()))
    def f载入(self):
        if not self.m文档:
            self.f重新载入()
    def fg地址(self):
        raise NotImplementedError()
class I小说:
    def __init__(self):
        I文档.__init__(self)
    def fe目录(self):
        "返回(章节名, I章节 对象)"
        raise NotImplementedError()
class I章节:
    def __init__(self):
        I文档.__init__(self)
    def fg正文(self):
        "返回字符串"
        raise NotImplementedError()

提取目录

先查看一下目录页的内容

从图中可以看到，目录最前面有最新章节，目录最后还有重复章节，这些都是需要去除掉的，保留从正文卷开始的章节。

检查网页元素后可知道，目录包含在

元素中，章节链接藏在

元素里。然后开始写代码：

c地址前缀 = "https://www.xxxx.com"
class C小说(I文档, I小说):
    c章节列表类名 = "listmain"
    def __init__(self, a地址):
        I文档.__init__(self)
        I小说.__init__(self)
        self.m地址 = a地址
    def fg地址(self):
        return self.m地址
    def fe目录(self):
        self.f载入()
        v目录元素 = self.m文档.find(name = "div", class_ = C小说.c章节列表类名)
        va章节列表 = v目录元素.find_all(name = "dd")
        #去除前面的最新章节和最后的重复章节
        va章节列表 = va章节列表[12:]
        for v in va章节列表:
            v链接 = v.a.get("href")   #章节链接
            v文本 = v.a.string    #章节名
            if "xxxx" in v文本:    #去除最后的重复章节
                continue
            yield v文本, C章节(c地址前缀 + v链接)
class C章节(I文档, I章节):
    def __init__(self, a地址):
        I文档.__init__(self)
        I章节.__init__(self)
        self.m地址 = a地址
    def fg地址(self):
        return self.m地址

提取目录的代码很简单，把上面提到的

找出来，再遍历

元素，去除重复项。注意元素的href属性不包含域名，所以创建章节对象时要把地址前面部分加上。

修改一下主函数，运行代码

似乎还有重复章节。我点开一些重复章节看了一下，地址不一样但是内容是一样的，应该是网站录入时出了问题。这个我就不管了。

提取正文

提取完目录后，再看一下正文页。

发现正文最底下有广告链接，这个也要去掉。

分析网页元素，可以知道正文全部包含在

这个元素中，只要把这个元素找出来，取字符串，过滤广告就行了。

class C章节(I文档, I章节):
    c正文标识名 = "content"
    def __init__(self, a地址):
        I文档.__init__(self)
        I章节.__init__(self)
        self.m地址 = a地址
    def fg地址(self):
        return self.m地址
    def fg正文(self):
        self.f载入()
        v正文元素 = self.m文档.find("div", id = C章节.c正文标识名)
        v正文文本 = ""
        for v行 in v正文元素.strings:
            if "xxxx" in v行: #去除广告
                continue
            v正文文本 += v行 + "\n"
        return v正文文本

修改主函数测试代码是否可用

c章节地址 = "https://www.xxxx.com/xxxx/xxxx.html"
def main():
    v章节 = C章节(c章节地址)
    print(v章节.fg正文())

从运行结果看，爬到的正文有空行有缩进。虽然没有问题，但是小说最终是要放进阅读器里慢慢看的，并不是所有的阅读器都能正确处理空行和缩进，所以还要在代码里对正文进一步处理。

写一个函数叫 f处理正文，负责处理乱七八糟的空行和缩进

import re
c开头缩进正则 = re.compile(r"^\s")
def f处理正文(a文本):
    v正文文本 = a文本
    v正文文本 = c开头缩进正则.sub("\n", v正文文本)  #清除缩进
    v正文文本 = v正文文本.replace("\xa0", "")   #清除缩进
    v正文文本 = v正文文本.replace("\u3000", "") #清除缩进
    v正文文本 = v正文文本.replace("\r", "\n")   #
    v正文文本 = v正文文本.replace("\n \n", "\n")    #清除多余换行
    while "\n\n" in v正文文本:
        v正文文本 = v正文文本.replace("\n\n", "\n") #清除多余换行
    return v正文文本

然后修改 C章节.fg正文，在返回字符串时做一些处理

return f处理正文(v正文文本)

这样看起来好多了。

保存

确认可以爬到目录和正文之后，接下来就是把正文保存到电脑上。

def f一键下载(a小说, a保存路径):
    v小说名 = a小说.fg小说名()
    #路径
    v路径 = pathlib.Path(a保存路径)
    v路径 /= v小说名 + ".txt"
    v文件名 = str(v路径)
    print("保存到: " + v文件名)
    v文件 = open(v文件名, "w", encoding = "utf-8")
    #循环
    for v章节名, v章节 in v小说.fe目录():
        v正文 = v章节.fg正文()
        v文件.write(v章节名 + "\n" + v正文 + "\n")
        time.sleep(1) #访问太频繁会被服务器阻止访问，所以加个等待
    print("下载完成")

在实际测试中，网站经常返回503。如果在代码里增加错误重试功能会导致代码变得又臭又长，这里我就不写了。

打开下载下来的文本文件看看。因为网站经常503，只爬了前几章就断掉了，所以没爬完。

结尾

上面的代码可以从一个特定的小说网站下载小说。但是这个网站是盗版小说网站，容易被封掉。或者有各式各样的理由需要从另外一个网站下载小说呢？

由于上面已经写过一些代码了，只需要照葫芦画瓢，重新写个 C小说 和 C章节 就行了。其他什么都不用动。

文章里的代码省略了很多细节，比如HTTP请求头、文档编码处理、异常处理，只保留最重要的爬虫代码。完整代码我发到了github上，见：https://github.com/cflw/cflw_py。

最后请大家以学习研究为目的写爬虫，毕竟爬别人的劳动成果是不好的，请大家多多支持正版。