Python基础之爬取小说

近些年里，网络小说盛行，但是小说网站为了增加收益，在小说中增加了很多广告弹窗，令人烦不胜烦，那如何安静观看小说而不看广告呢？答案就是爬虫。本文主要以一个简单的小例子，简述如何通过爬虫来爬取小说，仅供学习分享使用，如有不足之处，还请指正。

目标页面

本文爬取的为【某横中文网】的一部小说【妙手小医仙】，已完结，共187章，信息如下：

网址：http://book.abcde.com/showchapter/1102448.html

本次主要爬取小说章节信息，及每一章对应的正文信息。章节信息如下所示：

目标分析

1. 章节目录分析

通过浏览器自带的开发人员工具【快捷键F12或Ctrl+Shift+I】进行分析，发现所有的章节都包含在ul【无序列表标签】中，每一个章节链接对应于li【列表项目标签】标签中的a【超链接标签】标签，其中a标签的href属性就是具体章节网址，a标签的文本就是章节标题，如下所示：

 2. 章节正文分析

通过分析，发现章节全部内容，均在div【class=reader_box】中，其中包括标题div【class=title_txtbox】，章节信息div【class=bookinfo】，及正文信息div【class=content】，所有正文包含在p【段落标签】中。如下所示：

 爬虫设计思路

1.  获取章节页面内容，并进行解析，得到章节列表
2. 循环章节列表：
   1. 获取每一章节内容，并进行解析，得到正文内容，
   2. 保存到文本文档。每一个章节，一个文档。

示例源码

获取请求页面内容，因为本例需要多次获取页面内容，所以封装为一个单独的函数，如下所示：

def get_data(url: str = None):
    """
    获取数据
    :param url: 请求网址
    :return:返回请求的页面内容
    """
    # 请求头，模拟浏览器，否则请求会返回418
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/70.0.3538.102 Safari/537.36 Edge/18.18363'}
    resp = requests.get(url=url, headers=header)  # 发送请求

    if resp.status_code == 200:
        if resp.encoding != resp.apparent_encoding:
            # 如果返回的编码和页面显示编码不一致，直接获取text会出现乱码，需要转码
            return resp.content.decode(encoding=resp.apparent_encoding)
        else:
            # 如果返回成功，则返回内容
            return resp.text
    else:
        # 否则，打印错误状态码，并返回空
        print('返回状态码：', resp.status_code)
        return

注意：有可能不同网站，返回内容的编码和页面显示的编码不一致，可能会出现中文乱码的情况，所以本例进行编码设置。

1. 解析章节列表

要获取整本小说内容，首先就要获取章节列表，然后保存到内存数组中，以便于获取具体正文。如下所示：

def parse_chapters(html: str = None):
    """
    爬取章节列表
    :param html:
    :return:
    """
    if html is None:
        return
    else:
        chapters = []
        bs = BeautifulSoup(html, features='html.parser')
        ul_chapters = bs.find('ul', class_='chapter-list clearfix')
        # print(ul_chapters)
        li_chapters = ul_chapters.find_all('li', class_='col-4')  # 此处需要注意，页面源码查看是有空格，但是BeautifulSoup转换后空格消失
        for li_chapter in li_chapters:
            a_tag = li_chapter.find('a')
            # print(a_tag)
            a_href = a_tag.get('href')  # 此处也可以用a_tag['href']
            a_text = a_tag.get_text()  # 获取内容：章节标题
            chapters.append({'title': a_text, 'href': a_href})

        return chapters

2. 解析单个章节

当得到单个章节的链接时，就可以获取单个章节的内容，并进行解析，如下所示：

def parse_single_chapter(html: str = None):
    """
    解析单个章节内容
    :param html:
    :return:
    """
    bs = BeautifulSoup(html, features='html.parser')
    div_reader_box = bs.find('div', class_='reader_box')
    div_title = div_reader_box.find('div', class_='title_txtbox')
    title = div_title.get_text()  # 获取标题
    div_book_info = div_reader_box.find('div', class_='bookinfo')
    book_info = div_book_info.get_text()
    div_content = div_reader_box.find('div', class_='content')
    content = ''
    p_tags = div_content.find_all('p')
    for p_tag in p_tags:
        content =content + p_tag.get_text() + '
'
    # content = div_content.get_text()
    return title + '
' + book_info + '
' + content

3. 循环解析并保存

循环获取单个章节正文页面，并进行解析，然后保存。如下所示：

def get_and_parser_single_chapter(chapters: list = []):
    """
    获取单个章节
    :param chapters: 章节列表
    :return:
    """
    for (index, chapter) in enumerate(chapters, 1):
        title = chapter.get('title')
        href = chapter.get('href')
        while True:
            print('开始第%d章爬取' % index)
            html = get_data(href)
            if html is not None:
                content = parse_single_chapter(html)
                save_data(title, content)  # 保存数据
                print('第%d章爬取成功' % index)
                break
            else:
                print('第%d章爬取失败' % index)
                time.sleep(2)

4. 整体调用逻辑

当写好单个功能函数时，顺序调用就是完整的爬虫，如下所示：

url = 'http://book.abcde.com/showchapter/1102448.html'
print('开始时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
html_chapters = get_data(url)
chapters = parse_chapters(html_chapters)
get_and_parser_single_chapter(chapters)
print('结束时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
print('done')

示例截图

爬取到的小说列表，如下所示：

 每一个章节内容，如下所示：

 示例完整代码，如下所示：

import requests  # 请求包  用于发起网络请求
from bs4 import BeautifulSoup  # 解析页面内容帮助包
import time

"""
说明：爬取小说
步骤：1. 先爬取所有章节，及章节明细对应的URL
2. 解析单个章节的内容
3. 保存
"""


def get_data(url: str = None):
    """
    获取数据
    :param url: 请求网址
    :return:返回请求的页面内容
    """
    # 请求头，模拟浏览器，否则请求会返回418
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/70.0.3538.102 Safari/537.36 Edge/18.18363'}
    resp = requests.get(url=url, headers=header)  # 发送请求

    if resp.status_code == 200:
        if resp.encoding != resp.apparent_encoding:
            # 如果返回的编码和页面显示编码不一致，直接获取text会出现乱码，需要转码
            return resp.content.decode(encoding=resp.apparent_encoding)
        else:
            # 如果返回成功，则返回内容
            return resp.text
    else:
        # 否则，打印错误状态码，并返回空
        print('返回状态码：', resp.status_code)
        return


def parse_chapters(html: str = None):
    """
    爬取章节列表
    :param html:
    :return:
    """
    if html is None:
        return
    else:
        chapters = []
        bs = BeautifulSoup(html, features='html.parser')
        ul_chapters = bs.find('ul', class_='chapter-list clearfix')
        # print(ul_chapters)
        li_chapters = ul_chapters.find_all('li', class_='col-4')  # 此处需要注意，页面源码查看是有空格，但是BeautifulSoup转换后空格消失
        for li_chapter in li_chapters:
            a_tag = li_chapter.find('a')
            # print(a_tag)
            a_href = a_tag.get('href')  # 此处也可以用a_tag['href']
            a_text = a_tag.get_text()  # 获取内容：章节标题
            chapters.append({'title': a_text, 'href': a_href})

        return chapters


def get_and_parser_single_chapter(chapters: list = []):
    """
    获取单个章节
    :param chapters: 章节列表
    :return:
    """
    for (index, chapter) in enumerate(chapters, 1):
        title = chapter.get('title')
        href = chapter.get('href')
        while True:
            print('开始第%d章爬取' % index)
            html = get_data(href)
            if html is not None:
                content = parse_single_chapter(html)
                save_data(title, content)  # 保存数据
                print('第%d章爬取成功' % index)
                break
            else:
                print('第%d章爬取失败' % index)
                time.sleep(2)


def parse_single_chapter(html: str = None):
    """
    解析单个章节内容
    :param html:
    :return:
    """
    bs = BeautifulSoup(html, features='html.parser')
    div_reader_box = bs.find('div', class_='reader_box')
    div_title = div_reader_box.find('div', class_='title_txtbox')
    title = div_title.get_text()  # 获取标题
    div_book_info = div_reader_box.find('div', class_='bookinfo')
    book_info = div_book_info.get_text()
    div_content = div_reader_box.find('div', class_='content')
    content = ''
    p_tags = div_content.find_all('p')
    for p_tag in p_tags:
        content =content + p_tag.get_text() + '
'
    # content = div_content.get_text()
    return title + '
' + book_info + '
' + content


def save_data(name, content):
    """
    保存数据
    :param name: 文件名
    :param content: 文件内容
    :return:
    """
    with open('妙手小医仙\' + name + '.txt', 'w', encoding='utf-8') as f:
        f.write(content)


url = 'http://book.zongheng.com/showchapter/1102448.html'
print('开始时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
html_chapters = get_data(url)
chapters = parse_chapters(html_chapters)
get_and_parser_single_chapter(chapters)
print('结束时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
print('done')

备注

我从来不认为半小时是我微不足道的很小的一段时间。真正的强者，不是没有眼泪的人，而是含着眼泪奔跑的人。但行前路，无问西东 。

长相思·山一程

纳兰性德 【朝代】清

山一程，水一程，身向榆关那畔行，夜深千帐灯。

风一更，雪一更，聒碎乡心梦不成，故园无此声。