Python爬虫入门教程02：小说爬取

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

前文

01、python爬虫入门教程01：豆瓣Top电影爬取

基本开发环境

Python 3.6

Pycharm

相关模块的使用

requests

parsel

安装Python并添加到环境变量，pip安装需要的相关模块即可。

单章爬取

一、明确需求

爬取小说内容保存到本地

小说名字

小说章节名字

小说内容

# 第一章小说url地址url = '/52_52642/25585323.html'12url = '/52_52642/25585323.html'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}response = requests.get(url=url, headers=headers)print(response.text)

请求网页返回的数据中出现了乱码，这就需要我们转码了。

加一行代码自动转码。

response.encoding = response.apparent_encoding

三、解析数据

根据css选择器可以直接提取小说标题以及小说内容。

def get_one_novel(html_url):# 调用请求网页数据函数response = get_response(html_url)# 转行成selector解析对象selector = parsel.Selector(response.text)# 获取小说标题title = selector.css('.bookname h1::text').get()# 获取小说内容 返回的是listcontent_list = selector.css('#content::text').getall()# ''.join(列表) 把列表转换成字符串content_str = ''.join(content_list)print(title, content_str)if __name__ == '__main__':url = '/52_52642/25585323.html'get_one_novel(url)![在这里插入图片描述](https://img-/035620489.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoaW5haGVyb2x0czIwMDg=,size_16,color_FFFFFF,t_70)四、保存数据（数据持久化）使用常用的保[python基础教程](/eschool/pythonxin3721/)存方式： with opendef save(title, content):"""保存小说:param title: 小说章节标题:param content: 小说内容:return: """# 路径filename = f'{title}\\'# os 内置模块，自动创建文件夹if os.makedirs(filename):os.mkdir()# 一定要记得加后缀 .txt mode 保存方式 a 是追加保存 encoding 保存编码with open(filename + title + '.txt', mode='a', encoding='utf-8') as f:# 写入标题f.write(title)# 换行f.write('\n')# 写入小说内容f.write(content)

保存一章小说，就这样写完了，如果想要保存整本小说呢？

整本小说爬虫

既然爬取单章小说知道怎么爬取了，那么只需要获取小说所有单章小说的url地址，就可以爬取全部小说内容了。

所有的单章的url地址都在 dd 标签当中，但是这个url地址是不完整的，所以爬取下来的时候，要拼接url地址。

def get_all_url(html_url):# 调用请求网页数据函数response = get_response(html_url)# 转行成selector解析对象selector = parsel.Selector(response.text)# 所有的url地址都在 a 标签里面的 href 属性中 dds = selector.css('#list dd a::attr(href)').getall()for dd in dds:novel_url = '' + ddprint(novel_url)if __name__ == '__main__':url = '/52_52642/index.html'get_all_url(url)

这样就获取了所有的小说章节url地址了。

爬取全本完整代码

import requestsimport parselfrom tqdm import tqdmdef get_response(html_url):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}response = requests.get(url=html_url, headers=headers)response.encoding = response.apparent_encodingreturn responsedef save(novel_name, title, content):"""保存小说:param title: 小说章节标题:param content: 小说内容:return:"""filename = f'{novel_name}' + '.txt'# 一定要记得加后缀 .txt mode 保存方式 a 是追加保存 encoding 保存编码with open(filename, mode='a', encoding='utf-8') as f:# 写入标题f.write(title)# 换行f.write('\n')# 写入小说内容f.write(content)def get_one_novel(name, novel_url):# 调用请求网页数据函数response = get_response(novel_url)# 转行成selector解析对象selector = parsel.Selector(response.text)# 获取小说标题title = selector.css('.bookname h1::text').get()# 获取小说内容 返回的是listcontent_list = selector.css('#content::text').getall()# ''.join(列表) 把列表转换成字符串content_str = ''.join(content_list)save(name, title, content_str)def get_all_url(html_url):# 调用请求网页数据函数response = get_response(html_url)# 转行成selector解析对象selector = parsel.Selector(response.text)# 所有的url地址都在 a 标签里面的 href 属性中dds = selector.css('#list dd a::attr(href)').getall()# 小说名字novel_name = selector.css('#info h1::text').get()for dd in tqdm(dds):novel_url = '' + ddget_one_novel(novel_name, novel_url)if __name__ == '__main__':novel_id = input('输入书名ID：')url = f'/{novel_id}/index.html'get_all_url(url)

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：/fei347795790/article/details/113055090