爬取新笔趣阁小说！适合新手入门的小案例！
作者：互联网
爬取笔趣阁小说（搜索+爬取）
首先看看最终效果（gif）：
实现步骤：
1.探查网站“http://www.xbiquge.la/”，看看网站的实现原理。
2.编写搜索功能（获取每本书目录的URL）。
3.编写写入功能（按章节写入文件）。
4.完善代码（修修bug，建了文件夹）。
ps:所需模块 ：
import requests import bs4 # 爬网站必备两个模块不解释 import os # 用来创建文件夹的 import sys # 没啥用单纯为了好看 import time import random # 使用随机数设置延时 123456
一、网站搜索原理，并用Python实现。
我本以为这个网站和一般网站一样，通过修改URL来进行搜索，结果并不然。
可以看出这个网站不会因搜索内容改变而改变URL。
那还有一种可能：通过POST请求，来更新页面。让我们打开Network验证一下。
我的猜想是对的。接下来开始模拟。
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",
"Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",
"Host": "www.xbiquge.la"} # 设置头尽量多一点 以防万一
x = str(input("输入书名或作者名:")) # 通过变量来控制我们要搜索的内容
data = {'searchkey': x}
url = 'http://www.xbiquge.la/modules/article/waps.php'
r = requests.post(url, data=data, headers=headers)
soup = bs4.BeautifulSoup(r.text.encode('utf-8'), "html.parser") # 用BeautifulSoup方法方便我们提取网页内容网页
123456789
可是如果现在我printf(soup)后发现里面的中文全为乱码！
这不难看出是编码格式不对，但我们可以用encoding方法来获取编码方式。
改完编码后就可以正常提取了，并且和浏览器显示的一致，都是我们搜索的内容。
二、接下来我们就来在这一堆代码里找到我们想要的内容了（书名，作者，目录URL）
通过元素审查我们很容易就可以定位到它们所在位置。
链接和书名在"td class even"< a> 标签里，作者在"td class="even""里。
什么！标签重名了！怎么办！管他三七二十一！先把"td class="even""全打印出来看看。
book_author = soup.find_all("td", class_="even")
for each in book_author:
print(each)
123
可以发现每个each分为两层。
那我们可以奇偶循环来分别处理这两层。（因为如果不分层处理的话第一层要用的方法（each.a.get(“href”）在第二层会报错，好像try也可以处理这个错,没试）
并且用创建两个三个列表来储存三个值。
books = [] # 书名
authors = [] # 作者名
directory = [] # 目录链接
tem = 1
for each in book_author:
if tem == 1:
books.append(each.text)
tem -= 1
directory.append(each.a.get("href"))
else:
authors.append(each.text)
tem += 1
123456789101112
成功！三个列表全部一样对应！
那么要如何实现选择一个序号，来让Python获得一个目录链接呢？
我们可以这样：
print('搜索结果：')
for num,book, author in zip(range(1, len(books)+1),books, authors):
print((str(num)+": ").ljust(4)+(book+"\t").ljust(25) + ("\t作者：" + author).ljust(20))
search = dict(zip(books, directory))
1234
是不是很神奇！“search”是我们用书名和目录URL组成的字典，我们只要
return search[books[i-1]]
就可以让下一个函数得到这本书的目录URL了。
三、获取章节URL，获取文本内容，写入文件。
我们得到目录的URL后就可以用相同的方法获取每一章节的URL了（不赘述了）。
def get_text_url(titel_url):
url = titel_url
global headers
r = requests.get(url, headers=headers)
soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
titles = soup.find_all("dd")
texts = []
names = []
texts_names = []
for each in titles:
texts.append("http://www.xbiquge.la"+each.a["href"])
names.append(each.a.text)
texts_names.append(texts)
texts_names.append(names)
return texts_names # 注意这里的返回值是一个包含两个列表的列表！！
123456789101112131415
注意这里的返回值是一个包含两个列表的列表！！
texts_names[0] 就是每一章节的 URL, texts_names[0] 是章节名
为下一个写内容的函数方便调用。
接下来接是写文件了！
search = dict(zip(books, directory))
url = texts_url[0][n]
name = texts_url[1][n]
req = requests.get(url=url, headers=headers)
time.sleep(random.uniform(0, 0.5)) # 即使设置了延迟，他还有会可能503（没办法小网站）
req.encoding = 'UTF-8' # 这里的编码是UTF-8，跟目录不一样，要注意！
html = req.text
soup = bs4.BeautifulSoup(html, features="html.parser")
texts = soup.find_all("div", id="content")
while (len(texts) == 0): # 他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。
req = requests.get(url=url, headers=headers)
time.sleep(random.uniform(0, 0.5))
req.encoding = 'UTF-8'
html = req.text
soup = bs4.BeautifulSoup(html, features="html.parser")
texts = soup.find_all("div", id="content")
else:
content = texts[0].text.replace('\xa0' * 8, '\n\n')
content = content.replace(
"亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！", "\n")
# 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾
with open(name + '.txt', "w", encoding='utf-8')as f:
f.write(content)
sys.stdout.write("\r已下载{}章，还剩下{}章".format(count, max - count)) # sys模块就在这用了一次，为了不让他换行。。。
count += 1
12345678910111213141516171819202122232425
n就是章节的序列，直接for循环就可以把所有章节写成文件了
这里处理503的方法虽然很暴力，可是是最有用的！
四、整理代码，修修bug。
把上面的思路写成三道四个函数打包一下。
然后测试一下，看看有什么bug，能修就修复，修复不了就直接try掉。（哈哈哈）
想要文件夹的可以研究研究os模块，很简单，这里不赘述了。
最后附上完整代码！
import requests
import bs4 # 爬网站必备两个模块不解释
import os # 用来创建文件夹的
import sys # 没啥用单纯为了好看
import time
import random # 使用随机数设置延时
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",
"Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",
"Host": "www.xbiquge.la"} # 设置头尽量多一点 以防万一
b_n = ""
def get_title_url():
x = str(input("输入书名或作者名:"))
data = {'searchkey': x}
url = 'http://www.xbiquge.la/modules/article/waps.php'
global headers, b_n
r = requests.post(url, data=data, headers=headers)
soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
book_author = soup.find_all("td", class_="even")
books = [] # 书名
authors = [] # 作者名
directory = [] # 目录链接
tem = 1
for each in book_author:
if tem == 1:
books.append(each.text)
tem -= 1
directory.append(each.a.get("href"))
else:
authors.append(each.text)
tem += 1
print('搜索结果：')
for num,book, author in zip(range(1, len(books)+1),books, authors):
print((str(num)+": ").ljust(4)+(book+"\t").ljust(25) + ("\t作者：" + author).ljust(20))
search = dict(zip(books, directory))
if books == []:
print("没有找到任何一本书，请重新输入!")
get_title_url()
try:
i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
except:
print("输入错误重新输入:")
i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
if i == 0:
books = []
authors = []
directory = []
get_title_url()
if i>len(books) or i<0:
print("输入错误重新输入:")
i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
b_n=books[i-1]
try:
os.mkdir(books[i-1])
os.chdir(b_n)
except:
os.chdir(b_n)
b_n = books[i - 1]
return search[books[i-1]]
def get_text_url(titel_url):
url = titel_url
global headers
r = requests.get(url, headers=headers)
soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
titles = soup.find_all("dd")
texts = []
names = []
texts_names = []
for each in titles:
texts.append("http://www.xbiquge.la"+each.a["href"])
names.append(each.a.text)
texts_names.append(texts)
texts_names.append(names)
return texts_names # 注意这里的返回值是一个包含两个列表的列表！！
def readnovel(texts_url):
global headers,b_n
count=1
max=len(texts_url[1])
print("预计耗时{}分钟".format((max // 60)+1))
tishi = input(str(b_n)+"一共{}章，确认下载输入'y',输入其他键取消".format(max))
if tishi == "y"or tishi =="Y":
for n in range(max):
url = texts_url[0][n]
name = texts_url[1][n]
req = requests.get(url=url,headers=headers)
time.sleep(random.uniform(0, 0.5)) # 即使设置了延迟，他还有会可能503（没办法小网站）
req.encoding = 'UTF-8' # 这里的编码是UTF-8，跟目录不一样，要注意！
html = req.text
soup = bs4.BeautifulSoup(html, features="html.parser")
texts = soup.find_all("div", id="content")
while (len(texts) == 0): # 他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。
req = requests.get(url=url, headers=headers)
time.sleep(random.uniform(0,0.5))
req.encoding = 'UTF-8'
html = req.text
soup = bs4.BeautifulSoup(html, features="html.parser")
texts = soup.find_all("div", id="content")
else:
content = texts[0].text.replace('\xa0' * 8, '\n\n')
content=content.replace("亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！","\n")
# 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾
with open(name+'.txt',"w",encoding='utf-8')as f:
f.write(content)
sys.stdout.write("\r已下载{}章，还剩下{}章".format(count,max-count)) # sys模块就在这用了一次，为了不让他换行。。。
count += 1
print("\n全部下载完毕")
else:
print("已取消!")
os.chdir('..')
os.rmdir(b_n)
main()
def main():
titel_url = get_title_url()
texts_url = get_text_url(titel_url)
readnovel(texts_url)
input("输入任意键退出")
if __name__ == '__main__':
print("小说资源全部来自于'新笔趣阁'---》http://www.xbiquge.la\n所以搜不到我也没办法..........@晓轩\n为了确保下载完整，每章设置了0.5秒到1秒延时！")
main()
源码加群：1136192749
标签：爬取,headers,url,text,新手入门,texts,books,each,笔趣 来源： https://www.cnblogs.com/A3535/p/13579737.html