Python学习——网络爬虫第一周-下载小说

栏目: 编程工具 · 发布时间: 5年前

内容简介:自动爬取某网站,并且将该网站的文本数据存储到本地。1)自动爬取网站,获得网站数据;2)数据存储到本地。

功能:

自动爬取某网站,并且将该网站的文本数据存储到本地。

基本实现步骤:

1)自动爬取网站,获得网站数据;

2)数据存储到本地。

遇到问题及解决办法:

1)自动爬取,暂时水平不够高,采用的伪爬取方法即找到网页网址的规律;

2)关于文本的处理,输出成想要的格式

正题方法:

1)网页分为静态网页(存粹的html格式的)、动态网页(使用AJAX),即动态加载网页的数据不一定出现按外html中等。

本文爬取的网页是动态网页,采用的方法是浏览器渲染引擎(渲染引擎的职责就是渲染,即在浏览器窗口中显示所请求的内容。这是每一个浏览器的核心部分,所以渲染引擎也称为浏览器内核)。因而需要安装selenium库,

FireFox浏览器,下载getodriver。 selenium库使用方法https://blog.csdn.net/weixin_36279318/article/details/79475388

访问网址url:https://www.biqukan.com/2_2757/1107517.html,鬼吹灯的链接。

需要爬取内容:标题、文本。

标题的元素特征:div,class = “content”或h1

文本元素特征:div,id = “content” class = “showtxt”

Python学习——网络爬虫第一周-下载小说

Python学习——网络爬虫第一周-下载小说

2)通过BeautifulSoup,安装模块后,获得soup对象,按照上面的元素属性,调用方法find_all()或find可以所以符合上述元素特征的 元素列表。( https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#find-all

3)根据BeautifulSoup手册上的,get_text()方法获得tag标签的文本内容,因为获取的文本内容存在空格,采用的笨方法

用strip()方法去除空格,返回列表,并用字符串+方法将列表的字符串拼接,完成文本提取工作

4)下面按照顺序依次爬取所有章节文本数据。

源代码如下:

from selenium import webdriver
from selenium.webdriver.firefox.firefox_binary import FirefoxBinary
from bs4 import BeautifulSoup
import time
import sys
import re
caps = webdriver.DesiredCapabilities().FIREFOX
caps["marionette"] = False
binary = FirefoxBinary(r'D:\Anaconda3\Scripts\firefox.exe')
driver = webdriver.Firefox(firefox_binary = binary,capabilities=caps)

Debug =1
MaxTextNum = 100
def singlePageGet(driver,url):
    '''
    函数说明:单页提取数据
    :return:单页标题、文本
    '''
    driver.get(url)
    webData = driver.page_source
    soup = BeautifulSoup(webData,'lxml')
    titlesList = (soup.find_all('h1'))
    textsList = soup.find_all('div',class_ = "showtxt")
    if textsList:
        #print(titlesList,textsList)
        titles = titlesList[0].get_text().split()
        texts = textsList[0].get_text().strip().split()
        finalText = ''
        finalTitle = ''
        for text in texts:
            finalText = finalText + text
        for title in titles:
            finalTitle = finalTitle + title
        return finalTitle,finalText
    else :
        return

def writeToFile(title,content):
    fileName = '鬼吹灯.txt'
    with open(fileName,'a+',encoding='utf-8') as f:
        f.write(title)
        f.write('\n')
        f.write(content)
        f.write('\n\n')
#8035
urlsAccess = ['https://www.biqukan.com/2_2757/{}.html'.format(value) for value in range(1108307,1108346,1)]
#1108346  117517
numing = 0
for url in urlsAccess:
    if singlePageGet(driver,url):
        titles,texts = singlePageGet(driver,url)
    if titles:
        writeToFile(titles,texts)
        time.sleep(2)
        numing = numing + 1
        print('下载进度:%4.2f'%(numing/len(urlsAccess)))
    else :
        numing = numing + 1
print('下载完成')

以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

大话设计模式

大话设计模式

程杰 / 清华大学出版社 / 2007-12-1 / 45.00元

本书通篇都是以情景对话的形式,用多个小故事或编程示例来组织讲解GOF(设计模式的经典名著——Design Patterns:Elements of Reusable Object-Oriented Software,中译本名为《设计模式——可复用面向对象软件的基础》的四位作者EIich Gamma、Richard Helm、Ralph Johnson,以及John Vlissides,这四人常被称......一起来看看 《大话设计模式》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

在线进制转换器
在线进制转换器

各进制数互转换器

正则表达式在线测试
正则表达式在线测试

正则表达式在线测试