目錄
- 使用pycharm批量爬取小說
- 爬取小說的思路：
- 1.獲取小說地址
- 2.分析小說地址結(jié)構(gòu)
- 3.拼接地址
- 4.分析章節(jié)內(nèi)容結(jié)構(gòu)
- 5.保存文本
- 6.完整代碼
使用pycharm批量爬取小說
爬取小說的思路：
1.獲取小說地址
本文以搜書網(wǎng)一小說為例《噓，梁上有王妃！》
目錄網(wǎng)址：https://www.soshuw.com/XuLiangShangYouWangFei/
加載需要的包：
import re
from bs4 import BeautifulSoup as ds
import requests
獲取小說目錄文件，返回Response [200]>，表示可正常爬取該網(wǎng)頁
base_url='https://www.soshuw.com/XuLiangShangYouWangFei/'
chapter_html=requests.get(base_url)
print(chapter_html)
2.分析小說地址結(jié)構(gòu)
解析目錄網(wǎng)頁 , 輸出結(jié)果為目錄網(wǎng)頁的源代碼
chapter_page_html=ds(chapter_page,'lxml')
print(chapter_page)
打開目錄網(wǎng)頁，發(fā)現(xiàn)在正文的目錄前面有一個最新章節(jié)目錄（這里有九個章節(jié)），再完整的目錄中是包含最新章節(jié)的，所以這里最新章節(jié)是不需要的。
在網(wǎng)頁單擊右鍵選擇“檢查”（或者“屬性”，不同的瀏覽器的叫法不一致，我用的是IE）選擇“元素”列，鼠標(biāo)再右側(cè)代碼塊上移動時。左側(cè)網(wǎng)頁會高亮顯示其對應(yīng)網(wǎng)頁區(qū)域，找到完整目錄對應(yīng)的代碼塊。如下圖：
完整目錄的錨有兩個，分別是class="novel_list"和id=“novel108799”,仔細(xì)觀察后發(fā)現(xiàn)class不唯一，所以我們選用id提取該塊內(nèi)容
將完整目錄塊提取出來
chapter_novel=chapter_page.find(id="novel108799")
print(chapter_novel)
結(jié)果如下（僅部分結(jié)果）：
對比小說章節(jié)內(nèi)容網(wǎng)址和目錄網(wǎng)址（base_url）發(fā)現(xiàn)，我們只需要將base_url和章節(jié)內(nèi)容網(wǎng)址的后半段拼接到一起就可以得到完整的章節(jié)內(nèi)容網(wǎng)址
3.拼接地址
利用正則語言庫將地址后半段提取出來
chapter_novel_str=str(chapter_novel)
regx = 'dd>a href="/XuLiangShangYouWangFei(.*?)"'
chapter_href_list = re.findall(regx, chapter_novel_str)
print(chapter_href_list)
拼接url:
定義一個列表chapter_url_list接收完整地址
chapter_url_list = []
for i in chapter_href_list:
url=base_url+i
chapter_url_list.append(url)
print(chapter_url_list)
4.分析章節(jié)內(nèi)容結(jié)構(gòu)
打開章節(jié)，右鍵→“屬性”，查看內(nèi)容結(jié)構(gòu)，發(fā)現(xiàn)小說正文有class和id兩個錨，class是不變的，id隨著章節(jié)而變化，所以我們用class提取正文
提取正文段
chapter_novel=chapter_page.find(id="novel108799")
print(chapter_novel)
提取正文文本和標(biāo)題
body_html=requests.get('https://www.soshuw.com/XuLiangShangYouWangFei/3647144.html')
body_page=ds(body_html.content,'lxml')
body = body_page.find(class_='content')
body_content=str(body)
print(body_content)
body_regx='br/> (.*?)\n'
content_list=re.findall(body_regx,body_content)
print(content_list)
title_regx = 'h1>(.*?)/h1>'
title = re.findall(title_regx, body_html.text)
print(title)
5.保存文本
with open('1.txt', 'a+') as f:
f.write('\n\n')
f.write(title[0] + '\n')
f.write('\n\n')
for e in content_list:
f.write(e + '\n')
print('{} 爬取完畢'.format(title[0]))
6.完整代碼
import re
from bs4 import BeautifulSoup as ds
import requests
base_url='https://www.soshuw.com/XuLiangShangYouWangFei'
chapter_html=requests.get(base_url)
chapter_page=ds(chapter_html.content,'lxml')
chapter_novel=chapter_page.find(id="novel108799")
#print(chapter_novel)
chapter_novel_str=str(chapter_novel)
regx = 'dd>a href="/XuLiangShangYouWangFei(.*?)"'
chapter_href_list = re.findall(regx, chapter_novel_str)
#print(chapter_href_list)
chapter_url_list = []
for i in chapter_href_list:
url=base_url+i
chapter_url_list.append(url)
#print(chapter_url_list)
for u in chapter_url_list:
body_html=requests.get(u)
body_page=ds(body_html.content,'lxml')
body = body_page.find(class_='content')
body_content=str(body)
# print(body_content)
body_regx='br/> (.*?)\n'
content_list=re.findall(body_regx,body_content)
#print(content_list)
title_regx = 'h1>(.*?)/h1>'
title = re.findall(title_regx, body_html.text)
#print(title)
with open('1.txt', 'a+') as f:
f.write('\n\n')
f.write(title[0] + '\n')
f.write('\n\n')
for e in content_list:
f.write(e + '\n')
print('{} 爬取完畢'.format(title[0]))
到此這篇關(guān)于使用PyCharm批量爬取小說的文章就介紹到這了,更多相關(guān)PyCharm批量爬取小說內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- pycharm 多行批量縮進和反向縮進快捷鍵介紹
- 基于pycharm實現(xiàn)批量修改變量名
- pycharm使用正則表達式批量添加print括號完美從python2遷移到python3
- pycharm 批量修改變量名稱的方法
- 在PyCharm中批量查找及替換的方法
