Python实现的爬取小说爬虫功能示例

Python  /  管理员 发布于 7年前   251

本文实例讲述了Python实现的爬取小说爬虫功能。分享给大家供大家参考，具体如下：

想把顶点小说网上的一篇持续更新的小说下下来，就写了一个简单的爬虫，可以爬取爬取各个章节的内容，保存到txt文档中，支持持续更新保存。需要配置一些信息，设置文档保存路径，书名等。写着玩，可能不大规范。

# coding=utf-8import requestsfrom lxml import etreefrom urllib.parse import urljoinimport reimport os# 获取页面，并返回解析整理好的文本def get_page(url):  response = requests.get(url, headers=header)  set_encoding(response)  text = parse_page(response.text)  return text# 解析页面，将当前页面中的文字筛选出来def parse_page(html):  title = re.findall('<div class="bookname">\s+<h1>(.+?)</h1>', html)[0]  content = re.findall('div id="content">(.*?)</div>', html, re.S)[0]  content = content.replace('<br />', '').replace(' ', ' ').replace('\r\n\r\n', '\r\n')  content = title + '\r\n' + content + '\r\n\r\n'  return content# 将文本追加到file_path对应的txt中def save_page(path, text):  with open(path, 'a', encoding='utf-8') as f:    f.write(text)# 设置对response得到文本的解析编码为'gbk'def set_encoding(response):  response.encoding = 'gbk'# 从配置文件中获取当前保存的链接总数def get_current_chapters_count(path):  # （1）第一次读配置文件可能没有创建，所以要支持没有文件创建文件的功能（2）如果文件存在，则不能清空，参考https:///article/158740.htm  with open(path, 'a+') as f:    f.seek(0)    res = f.read()    if res == '':      return 0    else:      return int(res)# 将保存的链接总数保存到配置文件中def set_current_chapters_count(path, count):  with open(path, 'w') as f:    f.write(str(count))# 需要配置的字典config_dic = dict(start_url='http://www.booktxt.net/2_2220/', # 待下载小说的章节首页          latest_item=9, # 列出的所有章节链接中，前面几个链接为最新章节，一般为9个，爬取时避免与最后部分重复，所以前面9个链接不爬取         bookname='赘婿', # 待下载的小说名          folder_path='D:\\') #保存位置domain = 'http://www.booktxt.net' # 顶点网域名if __name__ == '__main__':  chapter_url_list = []  response = requests.get(config_dic['start_url'], headers=header)  set_encoding(response)  html = etree.HTML(response.text)  chapters = html.xpath('//dd')  print('所有链接' + str(len(chapters)))  chapters = chapters[config_dic['latest_item']:] # 前9章为最新章节，后面还会重复，这里去掉  print('不重复有效章节链接' + str(len(chapters)))  folder_path = config_dic['folder_path'] + config_dic['bookname']  if not os.path.exists(folder_path):    os.mkdir(folder_path)  file_path = folder_path + '\\' + config_dic['bookname'] + '.txt'  config_file_path = folder_path + '\\' + 'config.txt'  print('小说存储路径为：' + file_path)  print('配置文件存储路径为：' + config_file_path)  saved_count = get_current_chapters_count(config_file_path) # 获取目前保存的小说中已经包含的章节数  print('当前' + file_path + '中已经保存的章节总数' + str(saved_count))  if saved_count < len(chapters): # 说明有更新    set_current_chapters_count(config_file_path, len(chapters))    print('共更新 ' + str(len(chapters) - saved_count) + ' 章')    for c in chapters[saved_count:]: # 从上次保存的位置开始继续保存      url = c.xpath('a/@href')[0]      url = urljoin(domain, url)      txt = c.xpath('a/text()')[0]      chapter_url_list.append(url)      print(url)      print(txt)      save_page(file_path, get_page(url))  else:    print('小说还没有更新哦')

更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。