使用Python3爬虫抓取网页来下载小说

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('&nbsp;', ' ')
        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