Python爬取书包网文章实战总结

全栈程序员-用户IM • 2022年6月29日上午6:16 • 未分类

大家好，又见面了，我是你们的朋友全栈君。

python爬取书包网文章总结

今天闲来无事去看小说，但是发现没办法直接下载，所以呢就用python爬虫来下载一波了，哈哈…

爬取的是这篇小说：剑破九天(是不是很霸气，话不多说，开始…)

总体思路步骤分为以下三步：
1.获得文章的每个章节链接地址
2.获得章节内容
3.保存到指定位置

首先，进入到自己想要下载小说的网址，按F12进入开发者工具，然后单击这个然后在原网页点击章节列表即可发现以下数据：
在这里插入图片描述
接下来就是提取这个章节的url了，我是用的xpath，当然也可以用正则和bs4，如下代码
book_list = res.xpath('//div[@class="wp b2 info_chapterlist"]/ul/li')
此时book_list中就可以得到所有章节的url了（第一步完）

第二步就是获得章节具体内容了：
和第一步相似，用xpath即得到章节名和其中一章节内容
章节名称：name = res.xpath('//h1/text()')
章节内容：message_list = res.xpath('//dd[@id="contents"]/text()')

获得了自己需要的章节内容后就要进入第三步的保存了，不过在一开始保存时在100章左右时用以下代码出现了UnicodeEncodeError这个问题

    for m in message:
        with open("D:\英雄时刻\{name}.txt".format(name="剑破九天"),"a") as f:
            f.write(m)

然后发现是默认编码方式问题，其默认为gbk，所以需要改成“utf-8”的格式，代码如下：

    for m in message:
        with open("D:\英雄时刻\{name}.txt".format(name="剑破九天"),"a",encoding="utf-8") as f:
            f.write(m)

然后就可以喝一杯茶慢慢等爬取完成了，哈哈，以下为代码：


#剑破九天.text

import requests
import json
from lxml import html


def get_booklist(n):#获得章节地址
    url = "https://www.bookbao99.net/book/201706/05/id_XNTc5MDg2.html"
    header = { 
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
    response = requests.get(url,headers = header)
    response.encoding = "utf-8"
    res = html.fromstring(response.text)
    book_list = res.xpath('//div[@class="wp b2 info_chapterlist"]/ul/li')
    print(len(book_list))#章节个数
    for book in book_list:#遍历所有章节
        try:
            t = book.xpath('a/@href')
            book_url = "https://www.bookbao99.net" + t[0]
            get_message(book_url)
            print("第{n}章爬取完毕".format(n=n))
            n += 1
        except UnicodeEncodeError:
            print("出现一个错误")
        continue


def get_message(url):#提取每个章节内容
    header = { 
   
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
    response = requests.get(url,headers = header)
    response.encoding = "utf-8"
    res = html.fromstring(response.text)
    name = res.xpath('//h1/text()')
    n = '\n'+name[0]+'\n\n'
    #print(name[0])
    message_list = res.xpath('//dd[@id="contents"]/text()')
    message_list.insert(0,n)
    #print(message_list)
    save_book(message_list)


def save_book(message):#保存
    for m in message:
        with open("D:\英雄时刻\{name}.txt".format(name="剑破九天"),"a",encoding="utf-8") as f:
            f.write(m)


if __name__ == "__main__":
    n = 1
    get_booklist(n)