Python实现的爬取小说爬虫功能示例


						本文实例讲述了Python实现的爬取小说爬虫功能。分享给大家供大家参考，具体如下：

想把顶点小说网上的一篇持续更新的小说下下来，就写了一个简单的爬虫，可以爬取爬取各个章节的内容，保存到txt文档中，支持持续更新保存。需要配置一些信息，设置文档保存路径，书名等。写着玩，可能不大规范。





# coding=utf-8

import requests

from lxml import etree

from urllib.parse import urljoin

import re

import os

# 获取页面，并返回解析整理好的文本

def get_page(url):

  response = requests.get(url, headers=header)

  set_encoding(response)

  text = parse_page(response.text)

  return text

# 解析页面，将当前页面中的文字筛选出来

def parse_page(html):

  title = re.findall('<div class="bookname">\s+<h1>(.+?)</h1>', html)[0]

  content = re.findall('div id="content">(.*?)</div>', html, re.S)[0]

  content = content.replace('<br />', '').replace(' ', ' ').replace('\r\n\r\n', '\r\n')

  content = title + '\r\n' + content + '\r\n\r\n'

  return content

# 将文本追加到file_path对应的txt中

def save_page(path, text):

  with open(path, 'a', encoding='utf-8') as f:

    f.write(text)

# 设置对response得到文本的解析编码为'gbk'

def set_encoding(response):

  response.encoding = 'gbk'

# 从配置文件中获取当前保存的链接总数

def get_current_chapters_count(path):

  # （1）第一次读配置文件可能没有创建，所以要支持没有文件创建文件的功能（2）如果文件存在，则不能清空，参考http://www.zwyuanma.com/article/158740.htm

  with open(path, 'a+') as f:

    f.seek(0)

    res = f.read()

    if res == '':

      return 0

    else:

      return int(res)

# 将保存的链接总数保存到配置文件中

def set_current_chapters_count(path, count):

  with open(path, 'w') as f:

    f.write(str(count))

# 需要配置的字典

config_dic = dict(start_url='http://www.booktxt.net/2_2220/', # 待下载小说的章节首页 

         latest_item=9, # 列出的所有章节链接中，前面几个链接为最新章节，一般为9个，爬取时避免与最后部分重复，所以前面9个链接不爬取

         bookname='赘婿', # 待下载的小说名 

         folder_path='D:\\') #保存位置

domain = 'http://www.booktxt.net' # 顶点网域名

if __name__ == '__main__':

  chapter_url_list = []

  response = requests.get(config_dic['start_url'], headers=header)

  set_encoding(response)

  html = etree.HTML(response.text)

  chapters = html.xpath('//dd')

  print('所有链接' + str(len(chapters)))

  chapters = chapters[config_dic['latest_item']:] # 前9章为最新章节，后面还会重复，这里去掉

  print('不重复有效章节链接' + str(len(chapters)))

  folder_path = config_dic['folder_path'] + config_dic['bookname']

  if not os.path.exists(folder_path):

    os.mkdir(folder_path)

  file_path = folder_path + '\\' + config_dic['bookname'] + '.txt'

  config_file_path = folder_path + '\\' + 'config.txt'

  print('小说存储路径为：' + file_path)

  print('配置文件存储路径为：' + config_file_path)

  saved_count = get_current_chapters_count(config_file_path) # 获取目前保存的小说中已经包含的章节数

  print('当前' + file_path + '中已经保存的章节总数' + str(saved_count))

  if saved_count < len(chapters): # 说明有更新

    set_current_chapters_count(config_file_path, len(chapters))

    print('共更新 ' + str(len(chapters) - saved_count) + ' 章')

    for c in chapters[saved_count:]: # 从上次保存的位置开始继续保存

      url = c.xpath('a/@href')[0]

      url = urljoin(domain, url)

      txt = c.xpath('a/text()')[0]

      chapter_url_list.append(url)

      print(url)

      print(txt)

      save_page(file_path, get_page(url))

  else:

    print('小说还没有更新哦')



更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。