创意电子

标题: 「Python」纯干货，5000字的博文教你采集整站小说（附源码） [打印本页]

作者: Python可乐 时间: 2021-8-27 13:06
标题: 「Python」纯干货，5000字的博文教你采集整站小说（附源码）
目录

前言

开始

分析（x0）

分析（x1）

分析（x2）

分析（x3）

分析（x4）

完备的代码

我有话说

<hr>

前言

各人好我叫善念，这是我的第二篇技能博文（第一篇讲述的是本身的履历），连续三天更新了，每天花两小时写下一个实战案例，我也是乐在其中，谢谢各人对我的支持。

本日咱们要做的是利用Python爬取整个网站上的所有小说内容，其实在我心里面，采集什么内容根本无关紧要，最重要的是各人能学习到我的分析思路，授人以鱼不如授人以渔。

开始

既然是要采集整站数据，那么我们进入目标网站，点击全部作品。

分析（x0）

第一步右键一下查看网站源代码，看里面是否有咱们需要的书本源头文件地址（当然是看源头文件地址，因为一本书的内容这么大，然后一页有这么多本书，肯定不可能内容全部在源代码中）。

可以看到我在元素中可以找到书的名字和介绍，然后关键的是一个跳转的网址，这个网址很关键，因为咱们点击这个链接后他会跳到单本小说中。

而单本小说里面势必会有章节分类，而我们要做的肯定是需要把每本小说的章节名字也采集下来。

最终的目的就是，每本小说为一个文件夹，以书的名字命名，然后文件夹内保存所有章节，每一个章节为一个txt文档，没一个章节名与txt文件名对应。

分析（x1）

反转，切记不要以element作为源代码去考虑问题！！element可能是浏览器执行了一些JavaScript后所显现的源码，与服务器传给浏览器的源代码是有所不同的。

所以咱们还是需要在源代码中找一找是否有跳转链接和书名。

好吧，源代码中也是有的。不过你们不能大意，一定要查看源代码中是否有，element代表不了源代码。

那么先采集一下第一页的书名和跳转链接咯

# 抓取第一页的所有册本名字，册本入口# 到了册本入口后，抓取章节名字，章节链接（笔墨内容）# 保存import requestsfrom lxml import etreeimport osurl='https://www.qidian.com/all'req = requests.get(url).texthtml = etree.HTML(req)booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')for bookname, tzurl in zip(booknames, tzurls): if not os.path.exists(bookname): # if os.path.exists(bookname) == False: os.mkdir(bookname) # 创建文件夹

这里对应着咱们的思路，每采集到一个书名就给它单独创建一个文件夹。

完全没问题，到这里咱们已经完成第一步了。

分析（x2）

那么接下来就是去模仿请求咱们采集到的书本目录的跳转链接，然后同样的方法去采集到章节名与章节内容的跳转链接了。

同样的你们本身查看下源代码，数据也是在里面的。

那就接着写代码咯

import requestsfrom lxml import etreeimport osurl = 'https://www.qidian.com/all'req = requests.get(url).texthtml = etree.HTML(req)booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')for bookname, tzurl in zip(booknames, tzurls): if not os.path.exists(bookname): # if os.path.exists(bookname) == False: os.mkdir(bookname) # 创建文件夹 req2 = requests.get("http:" + tzurl).text html1 = etree.HTML(req2) zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href') zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()') for zjurl, zjname in zip(zjurls, zjnames): print(zjname+'\n'+zjurl)

效果图：

分析（x3）

知道这里为什么没有去把章节名字命名的txt文档保存在文件夹内吗？

因为咱们还没有获取到章节的内容呀，是不是需要先把章节内容写到章节的txt里面，然后再保存在文件夹内？

当然这句解释是为了照顾新手。

那么接下来采集章节内容，方法什么的不讲了，一模一样的，章节内容同样在源代码中如上上图所示。

每一个标签只保存一行内容，那么就需要用到把采集到的所有内容都组合起来，并用换行符隔开，只管保持文章格式。

代码走起：

import requestsfrom lxml import etreeimport osurl = 'https://www.qidian.com/all'req = requests.get(url).texthtml = etree.HTML(req)booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')for bookname, tzurl in zip(booknames, tzurls): if not os.path.exists(bookname): # if os.path.exists(bookname) == False: os.mkdir(bookname) # 创建文件夹 req2 = requests.get("http:" + tzurl).text html1 = etree.HTML(req2) zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href') zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()') for zjurl, zjname in zip(zjurls, zjnames): print(zjname+'\n'+zjurl) req3 = requests.get('http:' + zjurl).text html2 = etree.HTML(req3) nrs = html2.xpath('//div[@class="read-content j_readContent"]/p/text()') # 分散式内容 nr = '\n'.join(nrs) file_name = bookname + "\\" + zjname + ".txt" print("正在抓取文章：" + file_name) with open(file_name, 'a', encoding="utf-8") as f: f.write(nr)

效果图：

这里要说明一下，咱们还只是抓取了第一页的数据。那么如何抓取整站的数据呢？

分析（x4）

一般稍微有履历的都知道一点，就是当我们翻页的时候，网站的url会发生变革，页码一般就是在url上面。

构建个for循环把页码数变为一个变量即可，无需多言，直接上最终的完备代码，代码仅供参考，你们最终可以本身去修改效果。

完备的代码

import sysimport requestsfrom lxml import etreeimport osfor i in range(sys.maxsize): url = f'https://www.qidian.com/all/page{i}/' req = requests.get(url).text html = etree.HTML(req) booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()') tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href') for bookname, tzurl in zip(booknames, tzurls): if not os.path.exists(bookname): # if os.path.exists(bookname) == False: os.mkdir(bookname) # 创建文件夹 req2 = requests.get("http:" + tzurl).text html1 = etree.HTML(req2) zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href') zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()') for zjurl, zjname in zip(zjurls, zjnames): print(zjname+'\n'+zjurl) req3 = requests.get('http:' + zjurl).text html2 = etree.HTML(req3) nrs = html2.xpath('//div[@class="read-content j_readContent"]/p/text()') # 分散式内容 nr = '\n'.join(nrs) file_name = bookname + "\\" + zjname + ".txt" print("正在抓取文章：" + file_name) with open(file_name, 'a', encoding="utf-8") as f: f.write(nr)

我有话说

——女朋侪就是私有变量，只有我这个类才能调用（纪念分手的第二周

emmm本来以前是录制过视频教程的，但是由于从上家公司离职后丢失了。在这里跟大伙说声抱歉。

但是文章的话是现写的，每篇文章我都会说得很细致，所以花费的时间比较久，一般都是两个小时以上，每篇文章达到五千字左右。

原创不易，再次谢谢各人的支持。

①　2000多本Python电子书（主流和经典的册本应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开辟、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

私信小编01即可获取大量python学习资源

作者: 技术小黑屋 时间: 2021-8-27 20:51
转发了

欢迎光临创意电子 (https://wxcydz.cc/)