【Python爬虫零基础入门项目】之网络小说爬取并下载_if self.server in each.get('href')

作者｜Panda
来源｜机器学习与Python编程

前言

本文将以最简单粗暴的方式让你了解写python爬虫的基本流程【下载《笔趣阁》网络小说《伏天氏》】，涉及到內库或第三方库的基本方法不会详细讲解，如有需要可关注留言(根据情况考虑专门写一篇爬虫常用库的讲解)，也可自行查阅。【本文只针对未入门且想了解python爬虫的小伙伴】

网络爬虫简介

网络爬虫，也叫网络蜘蛛(Web Spider)。它根据网页地址(URL)爬取网页内容，而网页地址(URL)就是我们在浏览器中输入的网址。
比如：https://www.baidu.com/，就是一个URL。在讲爬虫实战之前，我们需要先了解写爬虫的必备技能：
审查元素（如果了解过HTML，可忽略这部分内容）。

准备工作

1. python安装(强烈推荐Anaconda，如果需要在机器学习与Python编程后台回复Anaconda即可)
2. urllib库是python内置的，无需安装，只要安装了Python就可以使用这个库。requests、Beautiful Soup库是第三方库，需要我们自己pip install requests、pip install Beautiful Soup4来安装（这时候如果安装Anaconda的好处就来了，这两个库都不需要单独安装！！）。

牛刀小试

1. 第一步，获取第一章的HTML信息。URL：https://www.jupindai.com/book/87/27486785.html
   代码如下

# -*- coding: utf-8 -*-
"""
Created on Sat Mar 28 14:57:15 2020
@author: Acc²
"""
import requests
if __name__ == "__main__":
#爬取<伏天氏>第一章
    url = "https://www.jupindai.com/book/87/27486785.html"
    req = requests.get(url)
    req.encoding = req.apparent_encoding #避免中文乱码
print(req.text)
1
2
3
4
5
6
7
8
9
10
11
12

以下是运行结果：

这就是第一章的html信息了。如何把我们需要的内容从这些众多的html标签中提取出来呢？接着往下看。。。

2. 第二步：提取正文
   仔细观察网站源码，我们可以发现：class属性为panel-body的div标签唯一。这个标签里面存放的内容，是我们需要的部分。这样，我们就可以使用Beautiful Soup提取我们需要的内容了，代码如下：

# -*- coding: utf-8 -*-
"""
Created on Sat Mar 28 14:57:15 2020
@author: Acc²
"""
import requests
from bs4 import BeautifulSoup
if __name__ == "__main__":
#爬取<伏天氏>第一章
    url = "https://www.jupindai.com/book/87/27486785.html"
    req = requests.get(url)
    req.encoding = req.apparent_encoding #避免中文乱码
    html = req.text
    bf = BeautifulSoup(html)
#获得html信息中所有class属性为panel-body的div标签
    texts = bf.find_all('div', class_ = 'panel-body')
#提取匹配结果后，使用text属性，提取文本内容，滤除br标签。随后使用replace方法，剔除空格，替换为回车进行分段。 
#在html中是用来表示空格的。replace('\xa0'*8,'\n\n')就是去掉八个空格符号，并用回车代替
print(texts[0].text.replace('\xa0'*8,'\n\n')) # find_all匹配的返回的结果是一个列表

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

运行结果如下：
可以看到，我们已经匹配到了所有正文内容，并进行了分段。而要想下载整本小说，就需要获取每个章节的链接，下面我们继续。。。。

Python爬虫实例

1.分析：通过审查元素，我们发现可以发现，这些章节都存放在了class属性为panel panel-default的div标签下。也就是说每章的链接放在了class属性为panel panel-default的div 标签下的a标签中。具体位置是html->body->div->dl->dd->a的href属性中。先匹配class属性为panel panel-default的div标签，再匹配a标签。
2. 有了前面的铺垫，接下来我贴出完整的代码，如果依然有不明白的地方，欢迎以任何方式联系我交流。

# -*- coding:UTF-8 -*- 
from bs4 import BeautifulSoup 
import requests, sys 
"""
类说明:下载《笔趣阁》网络小说《伏天氏》
"""
class downloader(object):
    def __init__(self):
        self.server = 'https://www.jupindai.com/'
        self.target = 'https://www.jupindai.com/book/87.html'
        self.names = []            #章节名
        self.urls = []            #章节链接
        self.nums = 0            #章节数    
        """
    	函数说明:获取下载链接
   	"""
    def get_download_url(self):
        req = requests.get(url = self.target)
        req.encoding = req.apparent_encoding #转为utf-8编码
        html = req.text
        div_bf = BeautifulSoup(html)
        div = div_bf.find_all('div', class_ = 'panel panel-default')
        a_bf = BeautifulSoup(str(div))
        a = a_bf.find_all('a')
        self.nums = len(a[4:])     #剔除不必要的章节，并统计章节数(根据需要修改)
        for each in a[4:]:
            self.names.append(each.string)
            self.urls.append(self.server + each.get('href'))    """
    函数说明:获取章节内容
    Parameters:
        target - 下载连接(string)
    Returns:
        texts - 章节内容(string)
    """
    def get_contents(self, target):
        req = requests.get(url = target)
        req.encoding = req.apparent_encoding #转为utf-8编码
        html = req.text
        bf = BeautifulSoup(html)
        texts = bf.find_all('div', class_ = 'panel-body')
        texts = texts[0].text.replace('\xa0'*8,'\n\n')
        return texts    
        """
    	函数说明:将爬取的文章内容写入文件
    	Parameters:
    	name - 章节名称(string)
        path - 当前路径下,小说保存名称(string)
        text - 章节内容(string)
    	"""
    def writer(self, name, path, text):
        write_flag = True
        with open(path, 'a', encoding='utf-8') as f:
            f.write(name + '\n')
            f.writelines(text)
            f.write('\n\n')if __name__ == "__main__":
    dl = downloader()
    dl.get_download_url()
    print('《伏天氏》开始下载：')
    for i in range(dl.nums):
        dl.writer(dl.names[i], '伏天氏.txt', dl.get_contents(dl.urls[i]))
        sys.stdout.write("  已下载:%.3f%%" %  float(i/dl.nums*100) + '\r')
        sys.stdout.flush()
    print('《伏天氏》下载完成。欢迎关注微信公众：机器学习与Python编程')
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64

接下来等着下载完就好了。如果只是为了学习，那么下载个几章看看效果也就OK了。
希望这篇文章能对你入门爬虫有一定的帮助，后面也会继续在公众号和博客上更新一些关于机器学习与Python编程的文章。若觉得有那么一点帮助，欢迎支持下下，谢谢！！
如有问题，欢迎留言。如有错误，欢迎指正，感谢！