【python3网络爬虫/笔记】个人学习记录【1】-------爬取小说！

参考资料：B站小甲鱼视频，csdn内的大神前辈Jack-Cui
同时参考了各种杂乱的网站与视频hh

内容更多的是自己的笔记与总结

Python版本： Python3
运行平台： Windows
IDE： pycharm

---

目标：爬取小说！！

目标网址：http://www.biqukan.net/

一，爬取小说内容

先随便选了一篇简单的【小说内容】进行爬取

#coding = utf-8
import urllib.request
from bs4 import BeautifulSoup

url = 'http://www.biqukan.net/book/116945/40009955.html'
html = urllib.request.urlopen(url).read().decode('gbk')

bf = BeautifulSoup(html, 'html5lib')    #此处有warning

title = bf.find_all('h1', class_ = 'readTitle')     #获取标题
text = bf.find_all('div', class_ = 'panel-body')    #获取内容
print(text[0].text.replace('\xa0'*4, ''))

针对以上代码所作的笔记：

• \xa0 是不间断空白符  
• bf = BeautifulSoup(html)，若没有加上’html5lib’会出现warning，可以用pip进行安装
• Beautiful Soup 4.4.0 中文官方文档

二，爬取章节链接+题目

def get_url():
    url = 'http://www.biqukan.net/book/116945/'
    html = urllib.request.urlopen(url).read().decode('gbk')

    reg = re.compile(r'
.*?
')
    data = re.findall(reg, html)

    for i in data:
        book_url = url + i[0]
        print(i[1] + ': ' + book_url)

笔记：

• 用beautifulsoup模块，恕我不才，不能爬取链接，用了简单的正则
• import re

三，整合代码v0.1

#coding = utf-8
import urllib.request
from bs4 import BeautifulSoup
import re
import os

def url_open(url):
    html = urllib.request.urlopen(url).read().decode('gbk')
    return html

#获取小说内容
def get_content(url):
    html = url_open(url)
    bf = BeautifulSoup(html, 'html5lib')    #此处有warning
    text = bf.find_all('div', class_ = 'panel-body')    #获取内容
    content = text[0].text.replace('\xa0'*4, '')
    return content

#获取章节链接+标题
def get_book_url():
    url = 'http://www.biqukan.net/book/116945/'
    html = url_open(url)

    book_title = []
    book_url = []
    book_num = 0

    reg = re.compile(r'
.*?
')
    book_name_reg = re.compile(r'
(.*?)
')
    book_name = re.findall(book_name_reg, html)
    data = re.findall(reg, html)

    for i in data:
        book_num += 1
        book_url.append(url + i[0])
        book_title.append(i[1])
    return book_title,book_url,book_name[0],book_num

if __name__ == '__main__':
    book_title = []
    book_url = []
    book_title, book_url, book_name, book_num = get_book_url()

    path = book_name +'(共' + str(book_num) + '章)'
    if not os.path.exists('./' + path):
        print('当前路径下创建【'+ path +'】文件夹，\r开始下载文件')
        os.mkdir(path)
        os.chdir(path)
        for i in range(book_num - 1):
            print('下载进度:%.3f%%'% float(i/book_num) )
            with open(str(i) + '.' + book_title[i] + '.txt', 'a', encoding='utf-8') as f:   #笔记①
                f.write(get_content(book_url[i]))                                           #笔记②
    print('下载完成!')

针对以上所作笔记：

• 笔记①：一定要改变目标文件的编码，加上encode(‘gbk’)，不然会报错：’gbk’ codec can’t encode character ‘\xa0’ in position 相关网页
• 笔记②：python write和writelines的区别
  
  • file.write(str)的参数是一个字符串，就是你要写入文件的内容.
  • file.writelines(sequence)的参数是序列，比如列表，它会迭代帮你写入文件。
• 看到的效果是我用pyinstaller打包成的一个exe运行的，我觉得很帅就学了一下蛤，主要还是得用pip安装pyinstaller，再配合以下cmd命令（在py文件所在文件夹哦）
  
  • installer -F demo.py

---

升级前的小总结

自己动手做还是很有趣的，蛤蛤，为什么第二阶段用了re呢，因为我认为正则的(.*?)取数据有的时候不要太方便了！而且我beautifulsoup没怎么用过，摸着摸着用的hh，不过还是有问题出来了，上面的截图认真看也能看出来，以4为倍数的章节被吃掉了！！！
我尝试了很多次，都无法还原那些章节
在此也求助一下能路过看下的朋友，到底是为什么啊啊啊，崩溃
之后又小小研究了一下bs，优化了一下代码，v2.0献丑了（捂脸）

笔趣网爬虫v2.0

#coding = utf-8
import urllib.request
from bs4 import BeautifulSoup
import os

def url_open(url):
    html = urllib.request.urlopen(url).read().decode('gbk')         #
    return html

#获取小说内容
def get_content(url):
    html = url_open(url)                                #
    bf = BeautifulSoup(html, 'html5lib')                #
    text = bf.find_all('div', class_ = 'panel-body')    #
    content = text[0].text.replace('\xa0'*4, '')        #
    return content

#获取章节链接+标题
def get_book_url(url):
    html = url_open(url)

    book_title = []
    book_url = []
    book_num = 0

    #以下处理需要慢慢理解
    #1.第一层加工
    bf_1 = BeautifulSoup(html, 'html5lib')        #
    set = bf_1.find_all('dd', class_='col-md-3')        #
    #2.第二层加工
    bf_2 = BeautifulSoup(str(set), 'html5lib')       #
    all_data = bf_2.find_all('a')                   #
    #3.获取书籍title
    title_set = bf_1.find_all('h1', class_ = 'bookTitle')       #
    title = BeautifulSoup(str(title_set), 'html5lib')       #
    book_name = title.get_text()                    #book_name为str，笔记+1

    for data in all_data:
        book_num += 1
        book_url.append(url + data.get('href'))
        book_title.append(data.get('title'))
    return book_title, book_url, book_name, book_num
#打包文件
def pack_book(url):
    book_title = []
    book_url = []
    book_title, book_url, book_name, book_num = get_book_url(url)

    path = book_name + '(共' + str(book_num) + '章)'
    if not os.path.exists('./' + path):
        print('当前路径下创建【' + path + '】文件夹，\r开始下载文件')
        os.mkdir(path)
        os.chdir(path)
        for i in range(book_num - 1):
            print('下载进度:%.2f%%' % float(i / book_num * 100))
            with open(str(i + 1) + '.' + book_title[i] + '.txt', 'a', encoding='utf-8') as f:  # 笔记①
                f.write(get_content(book_url[i]))  # 笔记②
    print('下载进度:100% ')
    print('下载完成！')

if __name__ == '__main__':
    #print('请从笔趣网（http://www.biqukan.net/）中随便挑选一本书的网址输入：')
    #print('参考：')
    print('\t 1.(大龟甲师):http://www.biqukan.net/book/116945/ ')
    print('''
        请从笔趣网（http://www.biqukan.net/）中随便挑选一本书的网址输入，以下参考
        1.(大龟甲师):http://www.biqukan.net/book/116945/
        2.(不朽凡人):http://www.biqukan.net/book/26870/
        3.(圣域):http://www.biqukan.net/book/16962/
        …………
    ''')
    url = input('请输入网址：')
    while True:
        if url.replace(url.split('/')[-2], '') == 'http://www.biqukan.net/book//':
            break
        else:
            url = input('输入网址（笔趣网）有误，请重新输入:')
    pack_book(url)

笔记：beautifulsoup4模块

应该还有v3.0？

上面的v2.0还是略显蹩脚的，但哈哈哈哈懒得改了，刚才宿舍外面有人表白我就到外面看了
哈哈哈哈看欢呼声应该是成功了，3.0随缘吧，这次都用了bs4的模块，舍弃了正则，感觉bs4还是挺好用的

上面的功能的话就是能爬取小说啦，笔趣网上什么小说都能爬取的啵，提示也有了，不过用户需要比较繁琐的操作的，以后改进！

下个目标！爬图！