用python爬取小说章节内容

在学爬虫之前, 最好有一些html基础, 才能更好的分析网页. 

主要是五步:

1.  获取链接

2. 正则匹配

3. 获取内容

4. 处理内容

5. 写入文件

代码如下:

#导入相关model
from bs4 import BeautifulSoup
import requests
import re

#获取目标链接地址
url = 'http://www.biquyun.com/0_292/'
reponse = requests.get(url)
reponse.encoding = 'gbk' #设置编码方式,可在网页源码头部查到
html = reponse.text

#获取各章节链接和标题
#审查元素, 找到小说章节的代码位置, 找出其对应的标签, 进行正则匹配
dl = re.findall(r'<dd><a href="(.*?)">(.*?)</a>', html, re.S) #返回list类型
j=0 #计数, 只获取前30章, 多了结果要很久才出来

#进行章节内容获取
for chapter in dl:
    if j >= 30:
        break
    #获取章节链接,名字.等价于c_link=chapter[0]; c_title=chapter[1]
    chapter_link, chapter_title = chapter
    #补全链接,因为之前获取的只是链接的尾部
    chapter_link = "http://www.biquyun.com%s" % chapter_link

    #仿照之前的再写一遍
    chapter_reponse = requests.get(chapter_link)
    chapter_reponse.encoding='gbk'
    chtml = chapter_reponse.text
    #找到小说章节正文所在标签
    chapter_content = re.findall(r'<div id="content">(.*?)</div>', chtml,re.S)
    #将它们转换为字符串,因为list无法进行replace操作
    t = str(chapter_title)
    s = str(chapter_content)
    #替代好空格,换行, 以及列表的左右中括号
    s = s.replace('&nbsp;','').replace('<br />',"
").replace('\r\n','')
    s = s.replace(']',"
").replace('[',' ').replace
    #新建txt文件,并将其名字设置为章节名, 写入
    f = open('E:/temp/zhuxian/%s.txt' % chapter_title, 'w')
    f.write(t)
    f.write('
')
    f.write(s)
    j = j+1
print('ok')
f.close()
''' s = s.replace('[','')
    s = s.replace('<br />',"
")
    s = s.replace('\r\n','')'''