Python3爬虫之爬取网络小说
一、准备工作
涉及到的库及对应的作用：
- requests:用于获取get请求
- Beautiful Soup4：用于网页解析
- re：正则表达式
- os：系统相关操作
- time：获取的时间
- 1.安装BS4：在命令窗口的D:\Python\Scripts目录下(此处的路径为你Pyhon的安装目录里面的Scripts文件夹)，输入
pip install beautifulsoup4回车，得到如图1说明安装成功
2.安装requests：同样的在cmd窗口中输入pip install requests，然而这里我之前已经安装好了，提示如图2:
导入库：
import requests
from bs4 import BeautifulSoup
import re
import os
import time
二、思路分析
1.思路分析：
这次我爬取的是笔趣阁里面的小说武动乾坤，我们先进入小说网 http://www.biquyun.com，对网站的网址和结构进行分析，
对网址进行分析，主页如图3：
输入武动乾坤打开后，对比主页发现在主页网址基础上加上武动乾坤的编号为/1_1872/，如图4
对网站结构进行分析，按F12检查网页源代码，如图5，我们仅需要的是Request Headers的内容，把里面的内容取出来放到字典中，其中关键的只有"User-Agent"。
#请求头字典
req_header={
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Connection': 'keep-alive',
'Cookie': '__jsluid=f1ec49461c81456159185cd595593079; dsa=1; asdplan13482=1',
'Host': 'm.biquyun.com',
'Referer': 'http://www.biquyun.com/1_1872/1114034.html',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Mobile Safari/537.36'
}
每一本小说多有对应的章节网页，也就说每一章都有对应的网页，
我们以第一章为例，其地址信息为http://m.biquyun.com/wapbook/1872_1114034.html，其中“1872_1114034.html”就是该章节的网页名称，
第二章为http://m.biquyun.com/wapbook/1872_1114036.html
第三章为http://m.biquyun.com/wapbook/1872_1114038.html
我们发现：每一章都是1114034+2n（n为自然数）。点击开发者工具中的 Element 选项，以下是对应的截图信息(图7)，通过分析，小说章节信息的路径为：#wrapper .content_read .box_con （PS：其中“#wrapper”号表示id为wrapper的项，“.content_read”表示class为content_read的项，按照此顺序放在一起就表示id为wrapper的项中的class为content_read的项中的class为con_box的相关信息，三者为树形关系。）
在该路径下，我们需要的信息主要有三项，以下是对应的class内容以及对应的说明：
- bookname：可获取章节名称
- content：可获取章节内容
- bottom2：可获取下一章节地址
三、获取单章内容并将获取的文本信息写入txt文件中
以下是获取单章章节内容的代码：
#获取单章节小说
#小说主页地址
req_url_base='http://www.biquyun.com/'
#单独一本小说地址
req_url=req_url_base+'1_1872/'
#武动乾坤第一章页面地址
txt_section='1114034.html'
#请求当前章节页面 params为请求参数
r=requests.get(req_url+str(txt_section),params=req_header)
r.encoding = 'gbk'
#soup转换
soup=BeautifulSoup(r.text,"html.parser")
#获取章节名称
section_name=soup.select('#wrapper .content_read .box_con .bookname h1')[0]
#获取章节文本
section_text=soup.select('#wrapper .content_read .box_con #content')[0]
#按照指定格式替换章节内容，运用正则表达式
section_text=re.sub( '\s+', '\r\n\t', section_text.text).strip('\r\n')
print('章节名:'+section_name.text)
print("章节内容：\n"+section_text)
#打开小说文件
fo = open('1.txt', "ab+")
# 以二进制写入章节题目 需要转换为utf-8编码，否则会出现乱码
fo.write(('\r' + section_name.text + '\r\n').encode('UTF-8'))
# 以二进制写入章节内容
fo.write((section_text).encode('UTF-8'))
#关闭小说文件
fo.close()
输出如图：
以.txt格式保存文件到桌面如图：
这里注意要解码格式是gbk，之前我以为笔趣阁的请求编码是UTF-8导致乱码如图：
r.encoding = 'gbk'
四、获取整本小说并把文本写入一个txt文件中
通过前面几个步骤，我们知道了如何获取单章小说相关信息写入txt中，接下来获取整本小说内容就是在其基础上进行改进的，我们将通过一个函数来实现获取整本内容， 以下是获取整本书内容的代码：
#获取整本小说
#小说下载函数
#id：小说编号
#txt字典项介绍
# title：小说题目
# first_page：第一章页面
# txt_section：章节地址
# section_name：章节名称
# section_text：章节正文
# section_ct：章节页数
def get_txt(txt_id):
txt={}
txt['title']=''
txt['id']=str(txt_id)
try:
print("请输入需要下载的小说编号：")
txt['id']=input()
req_url=req_url_base+ txt['id']+'/' #根据小说编号获取小说URL
print("小说编号："+txt['id'])
res=requests.get(req_url,params=req_header) #获取小说目录界面
res.encoding = 'gbk'
soups=BeautifulSoup(res.text,"html.parser") #soup转化
#获取小说题目
txt['title']=soups.select('#wrapper .box_con #maininfo #info h1')[0].text
txt['author']=soups.select('#wrapper .box_con #maininfo #info p')
#获取小说最近更新时间
txt['update']=txt['author'][2].text
#获取最近更新章节名称
txt['lately'] = txt['author'][3].text
#获取小说作者
txt['author']=txt['author'][0].text
#获取小说简介
txt['intro']=soups.select('#wrapper .box_con #maininfo #intro')[0].text.strip()
print("编号："+'{0:0>8} '.format(txt['id'])+ "小说名：《"+txt['title']+"》 开始下载。")
print("正在寻找第一章页面。。。")
#获取小说所有章节信息
first_page=soups.select('#wrapper .box_con #list dl dd a')
#获取小说总章页面数
section_ct=len(first_page)
#获取小说第一章页面地址
first_page = first_page[0]['href'].split('/')[2]
print("小说章节页数："+str(section_ct))
print("第一章地址寻找成功："+ first_page)
#设置现在下载小说章节页面
txt_section=first_page
#打开小说文件写入小说相关信息
fo = open('{0:0>8}-{1}.txt.download'.format(txt['id'],txt['title']), "ab+")
fo.write((txt['title']+"\r\n").encode('UTF-8'))
fo.write((txt['author'] + "\r\n").encode('UTF-8'))
fo.write((txt['update'] + "\r\n").encode('UTF-8'))
fo.write((txt['lately'] + "\r\n").encode('UTF-8'))
fo.write(("*******简介*******\r\n").encode('UTF-8'))
fo.write(("\t"+txt['intro'] + "\r\n").encode('UTF-8'))
fo.write(("******************\r\n").encode('UTF-8'))
#进入循环，写入每章内容
while(1):
try:
#请求当前章节页面
r=requests.get(req_url+str(txt_section),params=req_header)
r.encoding = 'gbk'
#soup转换
soup=BeautifulSoup(r.text,"html.parser")
#获取章节名称
section_name=soup.select('#wrapper .content_read .box_con .bookname h1')[0]
section_text=soup.select('#wrapper .content_read .box_con #content')[0]
#获取章节文本
section_text=re.sub( '\s+', '\r\n\t', section_text.text).strip('\r\n')
#获取下一章地址
txt_section=soup.select('#wrapper .content_read .box_con .bottem2 a')[3]['href'].split('/')[2]
#判断是否最后一章，当为最后一章时，会跳转至目录地址，最后一章则跳出循环
if(txt_section==''):
print("编号："+'{0:0>8} '.format(txt['id'])+ "小说名：《"+txt['title']+"》 下载完成")
break
#以二进制写入章节题目
fo.write(('\r'+section_name.text+'\r\n').encode('UTF-8'))
#以二进制写入章节内容
fo.write((section_text).encode('UTF-8'))
print(txt['title']+' 章节：'+section_name.text+' 已下载')
#print(section_text.text.encode('UTF-8'))
except:
print("编号："+'{0:0>8} '.format(txt['id'])+ "小说名：《"+txt['title']+"》 章节下载失败，正在重新下载。")
fo.close()
os.rename('{0:0>8}-{1}.txt.download'.format(txt['id'],txt['title']), '{0:0>8}-{1}.txt'.format(txt['id'],txt['title']))
except: #出现错误会将错误信息写入dowload.log文件，同时打印出来
fo_err = open('dowload.log', "ab+")
try:
fo_err.write(('['+time.strftime('%Y-%m-%d %X', time.localtime())+"]：编号：" + '{0:0>8} '.format(txt['id']) + "小说名：《" + txt['title'] + "》 下载失败。\r\n").encode('UTF-8'))
print('['+time.strftime('%Y-%m-%d %X', time.localtime())+"]：编号："+'{0:0>8} '.format(txt['id'])+ "小说名：《"+txt['title']+"》 下载失败。")
os.rename('{0:0>8}'.format(txt['id']) + '-' + txt['title'] + '.txt.download',
'{0:0>8}'.format(txt['id']) + '-' + txt['title'] + '.txt.error')
except:
fo_err.write(('['+time.strftime('%Y-%m-%d %X', time.localtime())+"]：编号："+'{0:0>8} '.format(txt['id'])+"下载失败。\r\n").encode('UTF-8'))
print('['+time.strftime('%Y-%m-%d %X', time.localtime())+"]：编号："+'{0:0>8} '.format(txt['id'])+"下载失败。")
finally: #关闭文件
fo_err.close()
我们以其他小说《狙影》为例，其编号为20_20303（其实是狙影章节比较少，武动乾坤章节太多下全dowmload下来比较慢），运行结果如图：
以.txt格式保存文件到桌面如图：
注：若要把整本书一章一张内容分别放到一个txt文件中，就需要用到多线程的库，即
pip install threading
这里不过多描述，想了解的朋友可以阅读以下文章
- 多线程