一直想做个爬虫,用.net尝试过。一直在.net平台上转悠。没有尝试过其他语言。因为懂得越来越觉得自己懂得少。最近遇到了瓶颈。就尝试使用别得语言
来扩展自己得思路。希望能突破瓶颈,达到另一个高度把。作为程序员,永远都是说得再多看得再多,不如敲几行代码来的实在。
我是看小说的,应该是老了吧,现在很少的小说符合自己了。我是穷人看的是盗版。(^_^但是我不喷作者,因为我不看正版)言归正传。
1: 首先在python官网上下载python3.X版本。(选择操作系统,选择要下载的版本)。(安装有问题请自行百度)
2: 编辑器,作为.net 死忠。肯定首选Visual studio Code。安装python 插件。新建项目文件 xiaoshuo
3:作为爬下来的东西,要保存到txt文件中(或者别的你可以喜欢的)。所以新建个文件夹FileManager
4: 在FileManager文件夹下新建FileWrite.py 代码如下:
1 def CreatFile(filename): 2 with open(filename +".txt",'w',encoding='utf-8',errors='ignore') as f: 3 f.writelines(" " + filename + " " + ' ') 4 def appointchapter(filename, context): 5 with open(filename +".txt",'a',encoding='utf-8',errors='ignore') as f: 6 f.writelines(context + ' ')
5:爬下来的东西解析,这里没有使用第三方插件。(本来python 有个很好的html 解析插件,但是公司的网络好像屏蔽掉了,一直下载不下来,所以改成正则。原理应该是相同的)
新建RegularExpression 文件夹,新建Regular.py文件 代码如下:
1 import re 2 # 获取小说名字 3 reName = re.compile(r'<h1>.+?(?:</h1>)',re.DOTALL) 4 #获取小说章节目录 5 rechapterLi = re.compile(r'<table.+?(?:</table>)',re.DOTALL) 6 #获取小说单个章节目录 7 rePage = re.compile(r'<a.+?(?:</a>)',re.MULTILINE) 8 #获取小说单个章节链接 9 rePageUrl = re.compile(r'[d]+.+?(?:html)',re.DOTALL) 10 #获取小说章节名字 11 reTitle = re.compile(r'<dd><h1>.+?(?:</h1></dd>)',re.DOTALL) 12 #获取原始的章节内容 13 reContent =re.compile(r'<dd id="contents".+?(?:</dd>)',re.DOTALL) 14 15 def DoHtmlToTxt(htmlstr): 16 txt = re.sub(' ',' ',htmlstr) 17 txt = re.sub('<br />',' ',txt) 18 txt = re.sub(r'<.+?(?:>)','',txt) 19 return txt 20 def DelHtmlCoding(htmlstr): 21 txt = re.sub(r'<.+?(?:>)','',htmlstr) 22 txt = re.sub(r'最新.+?(?:列表)','',txt) 23 txt = re.sub(' ','',txt) 24 return txt
6: 新建文件夹WebManager。在WebManager 中新建HttpContext.py 用来管理和处理http请求。代码如下:
1 import urllib 2 import urllib.request 3 def GetHtmlContent(html,endcoding): 4 try: 5 request = urllib.request.Request(html) 6 response = urllib.request.urlopen(request) 7 data = response.read() 8 data = data.decode(endcoding) 9 return data 10 except Exception as e: 11 with open('erro.txt','a',encoding='utf-8') as f: 12 f.writelines('抓取报错' + html) 13 f.writelines('报错原因' + e) 14 return '0' 15 except URLError as e: 16 with open('erro.txt','a',encoding='utf-8') as f: 17 f.writelines('抓取报错' + html) 18 f.writelines('报错原因' + e) 19 return '0' 20
7: 好了准备工作好了,现在在xiaoshuo 文件夹下,新建Main.py。代码如下:
1 import RegularExpression.Regular 2 import FileManager.FileWrite 3 import WebManager.HttpContext 4 #htmlurl = 'https://www.x23us.com/html/69/69720/' 5 htmlurl = 'https://www.23us.cc/html/173/173244/' 6 htmltxt = WebManager.HttpContext.GetHtmlContent(htmlurl,'gbk') 7 if htmltxt != '0': 8 titlehtml = RegularExpression.Regular.reName.search(htmltxt).group() 9 title = RegularExpression.Regular.DelHtmlCoding(titlehtml) 10 FileManager.FileWrite.CreatFile(title) 11 chaptercontent = RegularExpression.Regular.rechapterLi.search(htmltxt).group() 12 if chaptercontent: 13 chapterli = RegularExpression.Regular.rePage.finditer(chaptercontent) 14 if chapterli: 15 for m in chapterli: 16 pageurl = RegularExpression.Regular.rePageUrl.search(m.group()).group() 17 htmlpagetxt = WebManager.HttpContext.GetHtmlContent(htmlurl + pageurl,'gbk') 18 if htmlpagetxt != '0': 19 pageName = RegularExpression.Regular.reTitle.search(htmlpagetxt).group() 20 pageContent = RegularExpression.Regular.reContent.search(htmlpagetxt).group() 21 pageName = RegularExpression.Regular.DelHtmlCoding(pageName) 22 pageContent = RegularExpression.Regular.DoHtmlToTxt(pageContent) 23 txt = ' '+ pageName +' ' + pageContent 24 FileManager.FileWrite.appointchapter(title,txt) 25 else: 26 continue 27 print('下载成功!')
备注: 由于只是尝试,所以有很多可以扩展的地方。大家多多包涵