Python爬取新笔趣阁小说

Z时代
2024-01-10
分类：综合

Python爬取新笔趣阁小说[Python基础]

Python爬取小说，并保存到TXT文件中

我写的这篇文章，是利用Python爬取小说编写的程序，这是我学习Python爬虫当中自己独立写的第一个程序，中途也遇到了一些困难，但是最后迎刃而解了。这个程序非常的简单，程序的大概就是先获取网页的源代码，然后在网页的源代码中提取每个章节的url，获取之后，在通过每个url去获取文章的内容，在进行提取内容，然后就是保存到本地，一TXT的文件类型保存。
大概是这样
1：获取网页源代码
2：获取每章的url
3：获取每章的内容
4：下载保存文件中

1、首先就是先安装第三方库requests,这个库，打开cmd，输入pip install requests回车就可以了，等待安装。然后测试

import resquests

2、然后就可以编写程序了，首先获取网页源代码，也可以在浏览器查看和这个进行对比。

s = requests.Session()
url = "https://www.xxbiquge.com/2_2634/"
html = s.get(url)
html.encoding = "utf-8"

运行后显示网页源代码

按F12查看

说明这是对的，
3、然后进行获取网页源代码中的每章url，进行提取

caption_title_1 = re.findall(r"<a href="(/2_2634/.*?.html)">.*?</a>",html.text)
print(caption_title_1)

由于过多，就剪切了这些，看到这些URL，你可能想问为什么不是完整的，这是因为网页中的本来就不完整，需要进行拼凑得到完整的url

这样就完成了，就可以得到完整的了

4、下面就是获取章节名，和章节内容

   #获取章节名
    name = re.findall(r"<meta name="keywords" content="(.*?)" />",r1.text)[0]         # 提取章节名
    print(name)
    file_name.write(name)
    file_name.write("
")
    # 获取章节内容
    chapters = re.findall(r"<div id="content">(.*?)</div>",r1.text,re.S)[0]            #提取章节内容
    chapters = chapters.replace(" ", "") # 后面的是进行数据清洗
    chapters = chapters.replace("readx();", "")
    chapters = chapters.replace("& lt;!--go - - & gt;", "")
    chapters = chapters.replace("<!--go-->", "")
    chapters = chapters.replace("()", "")

5、转换字符串和保存文件

 # 转换字符串
    s = str(chapters)
    s_replace = s.replace("<br/>","
")
    while True:
        index_begin = s_replace.find("<")
        index_end = s_replace.find(">",index_begin+1)
        if index_begin == -1:
            break
        s_replace = s_replace.replace(s_replace[index_begin:index_end+1],"")
    pattern = re.compile(r" ",re.I)
    fiction = pattern.sub(" ",s_replace)
    file_name.write(fiction)
    file_name.write("
")

6、完整的代码

import requests
import re
s = requests.Session()
url = "https://www.xxbiquge.com/2_2634/"
html = s.get(url)
html.encoding = "utf-8"
# 获取章节
caption_title_1 = re.findall(r"<a href="(/2_2634/.*?.html)">.*?</a>",html.text)
# 写文件
path = r"C:UsersAdministratorPycharmProjectsuntitled	itle.txt"     # 这是我存放的位置，你可以进行更改
file_name = open(path,"a",encoding="utf-8")
# 循环下载每一张
for i in caption_title_1:
   caption_title_1 = "https://www.xxbiquge.com"+i
   # 网页源代码
   s1 = requests.Session()
   r1 = s1.get(caption_title_1)
   r1.encoding = "utf-8"
   # 获取章节名
   name = re.findall(r"<meta name="keywords" content="(.*?)" />",r1.text)[0]
   print(name)
   file_name.write(name)
   file_name.write("
")
   # 获取章节内容
   chapters = re.findall(r"<div id="content">(.*?)</div>",r1.text,re.S)[0]
   chapters = chapters.replace(" ", "")
   chapters = chapters.replace("readx();", "")
   chapters = chapters.replace("& lt;!--go - - & gt;", "")
   chapters = chapters.replace("<!--go-->", "")
   chapters = chapters.replace("()", "")
   # 转换字符串
   s = str(chapters)
   s_replace = s.replace("<br/>","
")
   while True:
       index_begin = s_replace.find("<")
       index_end = s_replace.find(">",index_begin+1)
       if index_begin == -1:
           break
       s_replace = s_replace.replace(s_replace[index_begin:index_end+1],"")
   pattern = re.compile(r" ",re.I)
   fiction = pattern.sub(" ",s_replace)
   file_name.write(fiction)
   file_name.write("
")
file_name.close()