526互联

python爬虫抓取小说

发布时间 2023-07-15 19:39:24作者: kyween

我这里是使用的requests模块和re(正则)模块
可以模仿浏览器正常访问网页返回网页源码的方式，通过正则获取到小说的名字，以及每个章节名称和对应的网页链接，并将小说正文截取出来，写入到文本中，具体代码实现如下：

# 导入requests模块
import requests
# 导入re(正则)模块
import re

# 下载一个网页
url = 'https://ww.sangwu8.com/book/13/13962/'
# 模拟浏览器发送http请求
response = requests.get(url)
response.encoding = "gbk"
# 目标小说主页的网页源码
HTML = response.text

#print(HTML)
#print(re.findall(r'<h2>(.*?)</h2>', HTML))
# # 获取小说的名字
title = re.findall(r'<h2>(.*?)</h2>', HTML)[0]
print(title)
# # 新建一个文件，保存小说内容
fb = open('%s.txt' % title, 'w', encoding='utf-8')

# # 获取每一章的信息（章节，url）
# ul = re.findall(r'<dl>.*?</dl>', HTML, re.S)[0]
dl = re.findall(r'<dl>.*?</dl>', HTML, re.S)[0]
# print(dl)
# # [0]指列表

# # 提取 章节url、章节信息
chapter_info_list = re.findall(r'<a href="(.*?)">(.*?)<', dl)
# print(chapter_info_list)

# # 循环每一个章节，分别去下载
for chapter_info in chapter_info_list:
    chapter_url, chapter_title = chapter_info
    chapter_url = "https://ww.sangwu8.com/book/13/13962/%s" %chapter_url
    print(chapter_url, chapter_title)

    # 下载章节内容
    chapter_response = requests.get(chapter_url)
    chapter_response.encoding = 'gbk'
    chapter_HTML = chapter_response.text.replace('\u3000','').replace('&nbsp;','')\
        .replace('&lt;','').replace('br/&gt;','').replace('&amp;','').replace('lt;','').replace('gt;','').replace('<br />','').replace("\r", "").replace("\n", "")


    # print(chapter_HTML)
    # text = re.findall(r'<div class="centent">(.*?)</div>', chapter_HTML, re.S)
    # print(text)
    # 提取章节内容
    chapter_content = re.compile('.*?<div class="centent">(.*?)</div>', re.S)
    print(chapter_content)
    test = re.findall(chapter_content, chapter_HTML)
    #print(test)
    #break 单章测试时退出使用
    # 数据持久化
    fb.write('\n')
    fb.write(chapter_title)
    fb.write('\n')
    fb.write(test[0])

执行截图如下：
可以按照章节写入文本中
image

最终输出文本结果：
image

image