使用Python3爬虫抓取网页来下载小说
程序员文章站
2022-05-20 10:08:54
很多时候想看小说但是在网页上找不到资源,即使找到了资源也没有提供下载,小说当然是下载下来用手机看才爽快啦! 于是程序员的思维出来了,不能下载我就直接用爬虫把各个章节爬下来,存入一个txt文件中,这样,一部小说就爬下来啦。 这一次我爬的书为《黑客》,一本网络小说,相信很多人都看过吧,看看他的代码吧。 ......
很多时候想看小说但是在网页上找不到资源,即使找到了资源也没有提供下载,小说当然是下载下来用手机看才爽快啦!
于是程序员的思维出来了,不能下载我就直接用爬虫把各个章节爬下来,存入一个txt文件中,这样,一部小说就爬下来啦。
这一次我爬的书为《黑客》,一本网络小说,相信很多人都看过吧,看看他的代码吧。
代码见如下:
import re import urllib.request import time # root = 'http://www.biquge.com.tw/3_3542/' # 伪造浏览器 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) ' \ 'AppleWebKit/537.36 (KHTML, like Gecko)' ' Chrome/62.0.3202.62 Safari/537.36'} req = urllib.request.Request(url=root, headers=headers) with urllib.request.urlopen(req, timeout=1) as response: # 大部分的涉及小说的网页都有charset='gbk',所以使用gbk编码 htmls = response.read().decode('gbk') # 匹配所有目录<a href="/3_3542/2020025.html">HK002 上天给了一个做好人的机会</a> dir_req = re.compile(r'<a href="/3_3542/(\d+?.html)">') dirs = dir_req.findall(htmls) # 创建文件流,将各个章节读入内存 with open('黑客.txt', 'w') as f: for dir in dirs: # 组合链接地址,即各个章节的地址 url = root + dir # 有的时候访问某个网页会一直得不到响应,程序就会卡到那里,我让他0.6秒后自动超时而抛出异常 while True: try: request = urllib.request.Request(url=url, headers=headers) with urllib.request.urlopen(request, timeout=0.6) as response: html = response.read().decode('gbk') break except: # 对于抓取到的异常,我让程序停止1.1秒,再循环重新访问这个链接,一旦访问成功,退出循环 time.sleep(1.1) # 匹配文章标题 title_req = re.compile(r'<h1>(.+?)</h1>') # 匹配文章内容,内容中有换行,所以使flags=re.S content_req = re.compile(r'<div id="content">(.+?)</div>',re.S,) # 拿到标题 title = title_req.findall(html)[0] # 拿到内容 content_test = content_req.findall(html)[0] # 对内容中的html元素杂质进行替换 strc = content_test.replace(' ', ' ') content = strc.replace('<br />', '\n') print('抓取章节>' + title) f.write(title + '\n') f.write(content + '\n\n')
就这样,一本小说就下载下来啦!!!
运行情况见图:
有的时候服务器会因为大量访问而认为你是个机器人就封了你的IP,可以加个随机数,让程序随机停止不同的时间。
如果下载太慢,可以使用多线程,一起下载多个章节