python爬虫实战(1)——网站小说
整本小说的爬取保存
- 目标
- 大致思路
- 页面的爬取解析—XPath
-
- 请求网页内容
- 解析网页内容
- 正文爬取与解析
-
- 单个页面数据获取
- 爬取所有页面
- 数据清洗
经过学习基础，我们学以致用一下子，爬取小说，注意这个小说本身是免费的哦，以后再进阶。
本次为实战记录，笔者很多碎碎念可忽略
目标
基于requests库和lxml中的xpath编写的爬虫，目标小说网站域名http://www.365kk.cc/
这是网上找的，小说网址很多，而且没有很多反扒机制，新手友好！
大致思路
其实也可以不写，梳理一下吧，虽然是空话
主要分三步（如同大象进冰箱hh）
- 获取网页内容，通过requests库实现；
- 解析网页内容，得到其中我们想要的部分，通过xpath实现；
- 将解析出的内容储存到文本文档中；
我们把要做的具体化，首先选取一本自己喜欢的小说，笔者以此为例，是的就是这么重口。
《我是一具尸体》
页面的爬取解析—XPath
要干嘛明确一下：
- 获取目标书籍的基本信息，包括书籍的书名、作者、简介——这些信息应该都在同一个页面中获取，即上面展示的页面；
- 获取目标书籍每一章节的标题和内容——不同章节在不同的页面，不同页面之间可以通过下一页按序跳转；
- 正文部分的存储格式应便于阅读，不能把所有文字都堆积在一起，也不能包括除了正文之外的其他无关内容；
因此，我们首先尝试请求书籍的主页，获取基本信息；紧接着再从书籍的第一章开始，不断地请求“下一页”，直到爬取整本书，并将它们以合适的格式储存在文本文档中。
笔者是用Google Chrome，在首页点击右键 —> 检查：
可以看出，浏览器下方弹出了一个窗口，这里显示的就是该页面的源代码，我们选中的内容位于一个标签中。点击右键 -> 复制 -> 复制 XPath，即可得到书名的XPath路径，也就是书名在网页中的位置。
书名：/html/body/div[4]/div[1]/div/div/div[2]/div[1]/h1
从书籍的首页中，同理我们可以获取的信息主要包括：
- 书名 作者 最后更新时间
作者：/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[1]
最后更新时间：/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[5]
简介：/html/body/div[4]/div[1]/div/div/div[2]/div[2]
请求网页内容
使用基础的python爬虫网页请求方法： requests 库直接请求。
在请求网页时，我们需要将我们的爬虫伪装成浏览器，具体通过添加请求头 headers 实现。
请求头以字典的形式创建，可以包括很多内容，这里只设置四个字段：User-Agent, Cookie, Host 和 Conection。
在刚才打开的页面中，点击 网络（英文版是Network），刷新页面，找到其中的第一个文件 1053/ ，打开 标头 -> 请求标头 ，即可得到想要的字段数据。
import requests
# 请求头，添加你的浏览器信息后才可以正常运行
headers= {
'User-Agent': '...',
'Cookie': '...',
'Host': 'www.365kk.cc',
'Connection': 'keep-alive'
}
# 小说主页
main_url = "http://www.365kk.cc/1/1053/"
# 使用get方法请求网页
main_resp = requests.get(main_url, headers=headers)
# 将网页内容按utf-8规范解码为文本形式
main_text = main_resp.content.decode('utf-8')
print(main_text)
可以看出，我们成功请求到了网站内容，接下来只需对其进行解析，即可得到我们想要的部分。
解析网页内容
我们使用 lxml 库来解析网页内容，具体方法为将文本形式的网页内容创建为可解析的元素，再按照XPath路径访问其中的内容，代码如下：
import requests
from lxml import etree
# 请求头
headers= {
'User-Agent': '...',
'Cookie': '...',
'Host': 'www.365kk.cc',
'Connection': 'keep-alive'
}
# 小说主页
main_url = "http://www.365kk.cc/1/1053/"
# 使用get方法请求网页
main_resp = requests.get(main_url, headers=headers)
# 将网页内容按utf-8规范解码为文本形式
main_text = main_resp.content.decode('utf-8')
# 将文本内容创建为可解析元素
main_html = etree.HTML(main_text)
# 依次获取书籍的标题、作者、最近更新时间
# main_html.xpath返回的是列表，因此需要加一个[0]来表示列表中的首个元素
# /text() 表示获取文本
bookTitle = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/h1/text()')[0]
author = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[1]/text()')[0]
update = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[5]/text()')[0]
introduction = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[2]/text()')[0]
# 输出结果以验证
print(bookTitle)
print(author)
print(update)
print(introduction)
输出结果如下：
至此，使用基本的网页请求get方法获取目标页面中的特定内容结束，接下来就是正文解析了，
go go go
正文爬取与解析
开始爬取正文。首先尝试获取单个页面的数据，再尝试设计一个循环，依次获取所有正文数据
单个页面数据获取
打开第一章，获取章节标题和正文的XPath路径如下：
书名：//*[@id="container"]/div/div/div[2]/h1
内容：//*[@id="content"]
按照与上文一致的方法请求并解析网页内容，代码如下：
注意到在用这个xpath路径的时候我们是只要里面的文字部分所以要多加一个/text()
import requests
from lxml import etree
# 请求头
headers= {
'User-Agent': '...',
'Cookie': '...',
'Host': 'www.365kk.cc',
'Connection': 'keep-alive'
}
# 当前页面链接
url = 'http://www.365kk.cc/1/1053/10094192.html'
resp = requests.get(url, headers)
text = resp.content.decode('utf-8')
html = etree.HTML(text)
title = html.xpath('//*[@id="container"]/div/div/div[2]/h1/text()')[0]
contents = html.xpath('//*[@id="content"]/text()')
print(title)
for content in contents:
print(content)
可以看出，我们成功获取了小说第一章第一页的标题和正文部分
接下来我们将它储存在一个txt文本文档中，关于文件读取类型主要有（并不全，只是本代码用到的）
'w'： 清空原文档，重新写入文档 open(filename, ‘w’)'r'： 仅读取文档，不改变其内容 open(filename, ‘r’)'a'： 在原文档之后追加内容 open(filename, ‘a’)
文档命名为之前获取的书名 bookTitle.txt，完整的代码如下：
import requests
from lxml import etree
# 请求头
headers= {
'User-Agent': '...',
'Cookie': '...',
'Host': 'www.365kk.cc',
'Connection': 'keep-alive'
}
# 小说主页
main_url = "http://www.365kk.cc/1/1053/"
# 使用get方法请求网页
main_resp = requests.get(main_url, headers=headers)
# 将网页内容按utf-8规范解码为文本形式
main_text = main_resp.content.decode('utf-8')
# 将文本内容创建为可解析元素
main_html = etree.HTML(main_text)
bookTitle = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/h1/text()')[0]
author = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[1]/text()')[0]
update = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[5]/text()')[0]
introduction = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[2]/text()')[0]
# 第一章页面链接
url = 'http://www.365kk.cc/1/1053/10094192.html'
resp = requests.get(url, headers)
text = resp.content.decode('utf-8')
html = etree.HTML(text)
title = html.xpath('//*[@id="container"]/div/div/div[2]/h1/text()')[0]
contents = html.xpath('//*[@id="content"]/text()')
with open(bookTitle + '.txt', 'w', encoding='utf-8') as f:
f.write(title)
for content in contents:
f.write(content)
# 在储存文件时，每储存一段，就写入两个换行符 `\n`，避免大段文字堆积使格式更便于阅读
f.write('\n\n')
f.close()
运行结束后，可以看到在代码文件的同路径中，已经生成了一个文本文档。至此，我们已经完成了单个页面的数据爬取和存储，接下来只要设计循环，实现顺序爬取所有页面即可。
爬取所有页面
我们注意到，正文的每个页面底部，都有一个按钮下一页，其在网页中的结构为：
在XPath路径的末尾添加 @href 用于获取属性 href 的值：
//*[@id="container"]/div/div/div[2]/div[3]/a[3]/@href
注意到如果一章结束，下一页和下一章的链接就会有些差别
观察不同页面的链接，可以看出前缀是一致的，区别仅在后缀上，比如第一章第一页和第一章第二页的链接分别为：
http://www.365kk.cc/1/1053/10094192.html
http://www.365kk.cc/1/1053/10094192_2.html
因此，我们只需要获取下一页的链接后缀，再与前缀拼接，即可获得完整的访问链接。代码如下：
# 获取下一页链接的函数
def next_url(next_url_element):
nxturl = 'http://www.365kk.cc/1/1053/'
# rfind('/') 获取最后一个'/'字符的索引
index = next_url_element.rfind('/') + 1
nxturl += next_url_element[index:]
return nxturl
url1 = '/1/1053/10094192_2.html'
url2 = '10094193.html'
print(next_url(url1))
print(next_url(url2))
在爬取某一页面的内容后，我们获取下一页的链接，并请求该链接指向的网页，重复这一过程直到全部爬取完毕为止，即可实现正文的爬取。
在这一过程中，需要注意的问题有：
某一章节的内容可能分布在多个页面中，每个页面的章节标题是一致的，这一标题只需存储一次；
请求网页内容的频率不宜过高，频繁地使用同一IP地址请求网页，会触发站点的反爬虫机制，禁止你的IP继续访问网站；
爬取一次全文耗时较长，为了便于测试，我们需要先尝试爬取少量内容，代码调试完成后再爬取全文；
爬取的起点为第一章第一页，爬取的终点可以自行设置；
按照上述思想，爬取前4个页面作为测试，完整的代码如下：
import requests
from lxml import etree
import time
import random
# 获取下一页链接的函数
def next_url(next_url_element):
nxturl = 'http://www.365kk.cc/1/1053/'
# rfind('/') 获取最后一个'/'字符的索引
index = next_url_element.rfind('/') + 1
nxturl += next_url_element[index:]
return nxturl
# 请求头，需要添加你的浏览器信息才可以运行
headers= {
'User-Agent': '...',
'Cookie': '...',
'Host': 'www.365kk.cc',
'Connection': 'keep-alive'
}
# 小说主页
main_url = "http://www.365kk.cc/1/1053/"
# 使用get方法请求网页
main_resp = requests.get(main_url, headers=headers)
# 将网页内容按utf-8规范解码为文本形式
main_text = main_resp.content.decode('utf-8')
# 将文本内容创建为可解析元素
main_html = etree.HTML(main_text)
bookTitle = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/h1/text()')[0]
author = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[1]/text()')[0]
update = main_html.xpath('/html/body/div[4]/div[1]/div/div/div[2]/div[1]/div/p[5]/text()')[0]
# 调试期间仅爬取4个页面
maxPages = 4
cnt = 0
# 记录上一章节的标题
lastTitle = ''
# 爬取起点
url = 'http://www.365kk.cc/1/1053/10094192.html'
# 爬取终点
endurl = 'http://www.365kk.cc/1/1053/10094194.html'
while url != endurl:
cnt += 1 # 记录当前爬取的页面
if cnt > maxPages:
break # 当爬取的页面数超过maxPages时停止
resp = requests.get(url, headers)
text = resp.content.decode('utf-8')
html = etree.HTML(text)
title = html.xpath('//*[@class="title"]/text()')[0]
contents = html.xpath('//*[@id="content"]/text()')
# 输出爬取进度信息
print("cnt: {}, title = {}, url = {}".format(cnt, title, url))
with open(bookTitle + '.txt', 'a', encoding='utf-8') as f:
if title != lastTitle: # 章节标题改变
f.write(title) # 写入新的章节标题
lastTitle = title # 更新章节标题
for content in contents:
f.write(content)
f.write('\n\n')
f.close()
# 获取"下一页"按钮指向的链接
next_url_element = html.xpath('//*[@class="section-opt m-bottom-opt"]/a[3]/@href')[0]
# 传入函数next_url得到下一页链接
url = next_url(next_url_element)
sleepTime = random.randint(2, 5) # 产生一个2~5之间的随机数
time.sleep(sleepTime) # 暂停2~5之间随机的秒数
print("complete!")
运行结果如下：
数据清洗
观察我们得到的文本文档，可以发现如下问题：
- 缺乏书籍信息，如之前获取的书名、作者、最后更新时间；
- 切换页面时，尤其是同一章节的不同页面之间空行过多；
- 每章节第一段缩进与其他段落不一致；
- 不同章节之间缺乏显眼的分隔符；
为了解决这些问题，我们编写一个函数 clean_data() 来实现数据清洗，清洗后的文档中，每段段首无缩进，段与段之间仅空一行，不同章节之间插入20个字符 - 用以区分，问题得以解决。
完整代码，需要自取哦
小说爬虫