爬虫初学（一）：爬取笔趣阁小说（萌新用-详细讲解）

不识有话说

作为一个爬虫萌新，第一个小项目当然是爬一爬我们的萌新之友-《新笔趣阁》
虽然没什么难度，
不过还是分享一下自己的代码历程，
希望能给予大家一些思路或帮助，
当然，如果有大佬能够指出错误或可以改进的地方，
那当然更好了，
等你呦~

项目展示

在讲解项目之前，
先给你们展示一下功能，
不然看了半天，
结果不是自己想要的那不是自闭了。
<----------------------------------分割线------------------------------------->

说实话，感觉我挺憨的才能写出这种代码，谁下载小说不是一整本一整本下，
结果也就我傻大憨的一章一章下，甚至还觉得自己好牛，害

代码思路讲解

项目要用到的模块

import os
from time import sleep
import requests
from lxml import etree

没有的话可以自行安装，虽然大部分小伙伴应该都知道，但还是说一下

pip/pip3 install 想要安装的模块名

模块安装好了接下来讲解代码了

import os
from time import sleep

import requests
from lxml import etree

# 新笔趣阁的全部小说界面链接，所有小说链接都在这里
url = 'http://www.xbiquge.la/xiaoshuodaquan/'
# 请求头
headers = {
    'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
}
# 向新笔趣阁发送get请求
all_book_r = requests.get(url, headers=headers)
# 解析返回的HTML页面数据
all_book_html = etree.HTML(all_book_r.content.decode('utf-8'))

首先进入新笔趣阁全部小说页面 >>>点击进入
点击键盘右上方的f12键或者鼠标右键点击检查进入页面调试界面（右边白色部分），
接下来单击调试台左上角的选中按钮，先随便选中一篇小说，
点击后发现左边调试台中的html界面已经跳转到了我们选中的地方，
我们可以发现这是一个ul列表下的一个a标签，并且这个ul列表储存着所有小说的链接，
那这就好办了~

我们通过Chrome的xpath插件获取到新笔趣阁所有小说的链接
没有的可以自己下载安装一下（强烈推荐，特别好用）
链接: https://pan.baidu.com/s/1_HzBzOp-vaWFkiuE2U9yFQ
提取码: sb7p
xpath使用：这里是一个大佬的博客，不懂的可以看看

我们将可以正确获取到自己需要信息的代码放入到xpath方法中，
xpath方法会将获取到的HTML页面里自己需要的所有信息放入到一个列表里，
这个列表也就是你设置的变量名

# 储存所有小说链接的列表
all_book_url = all_book_html.xpath('//div[@class="novellist"]/ul/li/a/@href')
# 储存所有小说名的列表
all_book_title = all_book_html.xpath('//div[@class="novellist"]/ul/li/a/text()')
print(all_book_url) # 下图

设置num值，每循环判断一次num值就+1，直到找到该小说，那么num值将作为上图列表的下标使用，获取到用户想要下载的小说的链接，进行该小说的数据获取

# 输入你想找的小说名
find_book = input('输入想下载的书名:')
num = 0
# 通过for循环判断是否有用户想找的小说
for book_title in all_book_title:
    # 有则获取该小说你想要的数据
    if find_book == book_title:
        print('找到了，您要的', book_title)
        # 找到该小说的链接
        book_url = all_book_url[num]
        # 向小说页面发送请求
        book_r = requests.get(book_url, headers=headers)
        # 解析
        book_html = etree.HTML(book_r.content.decode('utf-8'))
        # 该小说的章节链接列表
        book_url = book_html.xpath('//div[@id="list"]/dl/dd/a/@href')
        # 该小说的章节名列表
        chapter_title = book_html.xpath('//div[@id="list"]/dl/dd/a/text()')
    # 循环一次下标加一
    num += 1

为了防止下载的小说都装在一个文件夹里，
不仅混乱而且很难找到自己想看的小说章节（其实只要小说内容装在一起就不用这么麻烦，但是当时我妹想到）

# 判断该路径是否存在，存在则返回true，不存在则返回flase
judge = os.path.exists('../小说/%s' % str(book_title))
# 判断judge是否为true，如果不是则创建该路径
if not judge:     
    os.makedirs('../小说/%s' % str(book_title))

通过用户输入的值，将需要的章节链接循环取出，然后通过xpath获取小说文本内容

# 告诉用户小说有多少章节
print('<------请输入数字(该小说共有%s章)------>' % len(chapter_title))
        # 获取用户需要下载的章节
        download_book_start = int(input('输入从第几章开始下载：'))
        download_book_end = int(input('输入到第几章结束：'))
        chapter_num = 0
        # download_book_start - 1是因为列表下标是从0开始的
        for book_content_url in book_url[download_book_start - 1:download_book_end]:
            # 防止获取太快get不到数据
            sleep(2)
            new_book_content_url = 'http://www.xbiquge.la' + book_content_url
            book_content_r = requests.get(new_book_content_url, headers=headers)
            book_content_html = etree.HTML(book_content_r.content.decode('utf-8'))
            # 该章节小说内容列表
            book_content = book_content_html.xpath('//div[@class="box_con"]/div[@id="content"]/text()')

将内容列表里的数据一个个循环出来存到all_content字符串中，
然后通过with open方法，写入到text文件里

            with open('../小说/%s/%s.text' % (str(book_title), chapter_title[download_book_start + chapter_num -1]), 'w', encoding='utf-8') as write_content:
                # 用来储存小说内容的字符串
                all_content = ''
                for content in book_content:
                    all_content += content
                write_content.write(all_content)
                print(chapter_title[download_book_start + chapter_num -1], '--下载成功')
                # 用来获取小说章节名
                chapter_num += 1
        print('全部下载完成')

emmm，大概可能也许讲完了，应该讲的挺详细的，
萌新第一次写，如果有什么不足，可以提出来(勿喷)，会慢慢改进的

完整代码

import os
from time import sleep

import requests
from lxml import etree

url = 'http://www.xbiquge.la/xiaoshuodaquan/'

headers = {
    'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
}

all_book_r = requests.get(url, headers=headers)
all_book_html = etree.HTML(all_book_r.content.decode('utf-8'))
all_book_url = all_book_html.xpath('//div[@class="novellist"]/ul/li/a/@href')
all_book_title = all_book_html.xpath('//div[@class="novellist"]/ul/li/a/text()')
print(all_book_url)
find_book = input('输入想下载的书名:')
num = 0
for book_title in all_book_title:
    if find_book == book_title:
        print('找到了，您要的', book_title)
        book_url = all_book_url[num]
        book_r = requests.get(book_url, headers=headers)
        book_html = etree.HTML(book_r.content.decode('utf-8'))
        book_url = book_html.xpath('//div[@id="list"]/dl/dd/a/@href')
        chapter_title = book_html.xpath('//div[@id="list"]/dl/dd/a/text()')
        judge = os.path.exists('../小说/%s' % str(book_title))
        if not judge:     
          os.makedirs('../小说/%s' % str(book_title))
        print('<------请输入数字(该小说共有%s章)------>' % len(chapter_title))
        download_book_start = int(input('输入从第几章开始下载：'))
        download_book_end = int(input('输入到第几章结束：'))
        chapter_num = 0
        for book_content_url in book_url[download_book_start - 1:download_book_end]:
            sleep(2)
            new_book_content_url = 'http://www.xbiquge.la' + book_content_url
            book_content_r = requests.get(new_book_content_url, headers=headers)
            book_content_html = etree.HTML(book_content_r.content.decode('utf-8'))
            book_content = book_content_html.xpath('//div[@class="box_con"]/div[@id="content"]/text()')
            with open('../小说/%s/%s.text' % (str(book_title), chapter_title[download_book_start + chapter_num -1]), 'w', encoding='utf-8') as write_content:
                all_content = ''
                for content in book_content:
                    all_content += content
                write_content.write(all_content)
                print(chapter_title[download_book_start + chapter_num -1], '--下载成功')
                chapter_num += 1
        print('全部下载完成')
        break
    elif num + 1 == len(all_book_title):
        print('查无此书')
    num += 1

`

本文地址：https://blog.csdn.net/qq_38666686/article/details/109644659