看完python这段爬虫代码，java流泪了c#沉默了

哈哈，其实很简单，寥寥几行代码网页爬一部小说，不卖关子，立刻开始。

首先安装所需的包，requests，beautifulsoup4

控制台执行

pip install requests

pip install beautifulsoup4

如果不能正确安装，请检查你的环境变量，至于环境变量配置，在这里不再赘述，相关文章有很多。

两个包的安装命令都结束后，输入pip list

可以看到，两个包都成功安装了。

好的，我们立刻开始编写代码。

我们的目标是抓取这个链接下所有小说的章节 https://book.qidian.com/info/1013646681#catalog

我们访问页面，用chrome调试工具查看元素，查看各章节的html属性。我们发现所有章节父元素是<ul class="cf">这个元素，章节的链接以及标题，在子<li>下的<a>标签内。

 

那我们第一步要做的事，就是要提取所有章节的链接。

'用于进行网络请求'
import requests


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")
print(chapter.text)

 

页面顺利的请求到了，接下来我们从页面中抓取相应的元素

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
print(ul)

 

ul也顺利抓取到了，接下来我们遍历<ul>下的<a>标签取得所有章节的章节名与链接

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
ul_bs = beautifulsoup(str(ul[0]))
'找到<ul>下的<a>标签'
a_bs = ul_bs.find_all("a")
'遍历<a>的href属性跟text'
for a in a_bs:
    href = a.get("href")
    text = a.get_text()
    print(href)
    print(text)

ok，所有的章节链接搞定，我们去看想想章节详情页面长什么样，然后我们具*定详情页面的爬取计划。

打开一个章节，用chrome调试工具审查一下。文章标题保存在<h3 class="j_chaptername">中，正文保存在<div class="read-content j_readcontent">中。

我们需要从这两个标签中提取内容。

 

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
ul_bs = beautifulsoup(str(ul[0]))
'找到<ul>下的<a>标签'
a_bs = ul_bs.find_all("a")

detail = requests.get("https:"+a_bs[0].get("href"))
text_bs = beautifulsoup(detail.text)
text = text_bs.find_all("div",class_ = "read-content j_readcontent")
print(text)

正文页很顺利就爬取到了，以上代码仅是用第一篇文章做示范，通过调试文章已经可以爬取成功，所有下一步我们只要把所有链接遍历逐个提取就好了

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
ul_bs = beautifulsoup(str(ul[0]))
'找到<ul>下的<a>标签'
a_bs = ul_bs.find_all("a")

'遍历所有<href>进行提取'

for a in a_bs:
    detail = requests.get("https:"+a.get("href"))
    d_bs = beautifulsoup(detail.text)
    '正文'
    content = d_bs.find_all("div",class_ = "read-content j_readcontent")
    '标题'
    name = d_bs.find_all("h3",class_="j_chaptername")[0].get_text()
    

在上图中我们看到正文中的每一个<p>标签为一个段落，提取的文章包含很多<p>标签这也是我们不希望的，接下来去除p标签。

但是去除<p>标签后文章就没有段落格式了呀，这样的阅读体验很不爽的，我们只要在每个段落的结尾加一个换行符就好了

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
ul_bs = beautifulsoup(str(ul[0]))
'找到<ul>下的<a>标签'
a_bs = ul_bs.find_all("a")

'遍历所有<href>进行提取'

for a in a_bs:
    detail = requests.get("https:"+a.get("href"))
    d_bs = beautifulsoup(detail.text)
    '正文'
    content = d_bs.find_all("div",class_ = "read-content j_readcontent")
    '标题'
    name = d_bs.find_all("h3",class_="j_chaptername")[0].get_text()
    
    txt = ""
    p_bs = beautifulsoup(str(content))
    '提取每个<p>标签的内容'
    for p in p_bs.find_all("p"):
        txt = txt + p.get_text()+"\r\n"

 

去掉<p>标签了，所有的工作都做完了，我们只要把文章保存成一个txt就可以了，txt的文件名以章节来命名。

'用于进行网络请求'
import requests
'用于解析html'
from bs4 import beautifulsoup

def create_txt(path,txt):
    fd = none 
    try:
        fd = open(path,'w+',encoding='utf-8')
        fd.write(txt)
    except:
        print("error")
    finally:
        if (fd !=none):
            fd.close()


chapter = requests.get("https://book.qidian.com/info/1013646681#catalog")

ul_bs = beautifulsoup(chapter.text)
'提取class为cf的ul标签'
ul = ul_bs.find_all("ul",class_="cf")
ul_bs = beautifulsoup(str(ul[0]))
'找到<ul>下的<a>标签'
a_bs = ul_bs.find_all("a")

'遍历所有<href>进行提取'

for a in a_bs:
    detail = requests.get("https:"+a.get("href"))
    d_bs = beautifulsoup(detail.text)
    '正文'
    content = d_bs.find_all("div",class_ = "read-content j_readcontent")
    '标题'
    name = d_bs.find_all("h3",class_="j_chaptername")[0].get_text()

    path = 'f:\\test\\'
    path = path + name+".txt"
    
    txt = ""
    p_bs = beautifulsoup(str(content))
    '提取每个<p>标签的内容'
    for p in p_bs.find_all("p"):
        txt = txt + p.get_text()+"\r\n"

    create_txt(path,txt)
    print(path+"保存成功")

 

 

文章成功爬取，文件成功保存，搞定。就这么简单的几行代码搞定。