爬取笔趣阁小说（搜索+爬取）
首先看看最终效果（gif）：
实现步骤：1.探查网站“http://www.xbiquge.la/”，看看网站的实现原理。
2.编写搜索功能（获取每本书目录的URL）。
3.编写写入功能（按章节写入文件）。
4.完善代码（修修bug，建了文件夹）。
ps:所需模块
1 import requests
2 import bs4 # 爬网站必备两个模块不解释
3 import os # 用来创建文件夹的
4 import sys # 没啥用单纯为了好看
5 import time
6 import random # 使用随机数设置延时
一、网站搜索原理，并用Python实现。
我本以为这个网站和一般网站一样，通过修改URL来进行搜索，结果并不然。
不会因搜索内容改变而改变URL。
POST请求，来更新页面。让我们打开Network验证一下。
我的猜想是对的。接下来开始模拟。
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",
"Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",
"Host": "www.xbiquge.la"} # 设置头尽量多一点 以防万一
x = str(input("输入书名或作者名:")) # 通过变量来控制我们要搜索的内容
data = {'searchkey': x}
url = 'http://www.xbiquge.la/modules/article/waps.php'
r = requests.post(url, data=data, headers=headers)
soup = bs4.BeautifulSoup(r.text.encode('utf-8'), "html.parser") # 用BeautifulSoup方法方便我们提取网页内容网页可是如果现在我printf(soup)后发现里面的中文全为乱码！
这不难看出是编码格式不对，但我们可以用encoding方法来获取编码方式。
改完编码后就可以正常提取了，并且和浏览器显示的一致，都是我们搜索的内容。
二、接下来我们就来在这一堆代码里找到我们想要的内容了（书名，作者，目录URL）
通过元素审查我们很容易就可以定位到它们所在位置。
链接和书名在"td class even"<a>标签里，作者在"td class=even"里。
什么！标签重名了！怎么办！管他三七二十一！先把"td class=even"全打印出来看看。
1 book_author = soup.find_all("td", class_="even")
2 for each in book_author:
3 print(each)
可以发现每个each分为两层。
那我们可以奇偶循环来分别处理这两层。（因为如果不分层处理的话第一层要用的方法（each.a.get("href"）在第二层会报错，好像try也可以处理这个错,没试）
并且用创建两个三个列表来储存三个值。
1 books = [] # 书名
2 authors = [] # 作者名
3 directory = [] # 目录链接
4 tem = 1
5 for each in book_author:
6 if tem == 1:
7 books.append(each.text)
8 tem -= 1
9 directory.append(each.a.get("href"))
10 else:
11 authors.append(each.text)
12 tem += 1
成功！三个列表全部一样对应！
那么要如何实现选择一个序号，来让Python获得一个目录链接呢？
我们可以这样：
1 print('搜索结果：')
2 for num,book, author in zip(range(1, len(books)+1),books, authors):
3 print((str(num)+": ").ljust(4)+(book+"\t").ljust(25) + ("\t作者：" + author).ljust(20))
4 search = dict(zip(books, directory))这样打印出来的效果就是这样了：
是不是很神奇！“search”是我们用书名和目录URL组成的字典，我们只要
return search[books[i-1]]
就可以让下一个函数得到这本书的目录URL了。
三、获取章节URL，获取文本内容，写入文件。
我们得到目录的URL后就可以用相同的方法获取每一章节的URL了（不赘述了）。1 def get_text_url(titel_url):
2 url = titel_url
3 global headers
4 r = requests.get(url, headers=headers)
5 soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
6 titles = soup.find_all("dd")
7 texts = []
8 names = []
9 texts_names = []
10 for each in titles:
11 texts.append("http://www.xbiquge.la"+each.a["href"])
12 names.append(each.a.text)
13 texts_names.append(texts)
14 texts_names.append(names)
15 return texts_names # 注意这里的返回值是一个包含两个列表的列表！！注意这里的返回值是一个包含两个列表的列表！！
texts_names[0]就是每一章节的URL,texts_names[0]是章节名
为下一个写内容的函数方便调用。
接下来接是写文件了！1 search = dict(zip(books, directory))
2 url = texts_url[0][n]
3 name = texts_url[1][n]
4 req = requests.get(url=url, headers=headers)
5 time.sleep(random.uniform(0, 0.5)) # 即使设置了延迟，他还有会可能503（没办法小网站）
6 req.encoding = 'UTF-8' # 这里的编码是UTF-8，跟目录不一样，要注意！
7 html = req.text
8 soup = bs4.BeautifulSoup(html, features="html.parser")
9 texts = soup.find_all("div", id="content")
10 while (len(texts) == 0): # 他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。
11 req = requests.get(url=url, headers=headers)
12 time.sleep(random.uniform(0, 0.5))
13 req.encoding = 'UTF-8'
14 html = req.text
15 soup = bs4.BeautifulSoup(html, features="html.parser")
16 texts = soup.find_all("div", id="content")
17 else:
18 content = texts[0].text.replace('\xa0' * 8, '\n\n')
19 content = content.replace(
20 "亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！", "\n")
21 # 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾
22 with open(name + '.txt', "w", encoding='utf-8')as f:
23 f.write(content)
24 sys.stdout.write("\r已下载{}章，还剩下{}章".format(count, max - count)) # sys模块就在这用了一次，为了不让他换行。。。
25 count += 1n就是章节的序列，直接for循环就可以把所有章节写成文件了
这里处理503的方法虽然很暴力，可是是最有用的！
四、整理代码，修修bug。
把上面的思路写成三道四个函数打包一下。
然后测试一下，看看有什么bug，能修就修复，修复不了就直接try掉。（哈哈哈）
想要文件的可以研究研究os模块，很简单，这里不赘述了。
最后附上完整代码！1 import requests
2 import bs4 # 爬网站必备两个模块不解释
3 import os # 用来创建文件夹的
4 import sys # 没啥用单纯为了好看
5 import time
6 import random # 使用随机数设置延时
7 headers = {
8 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36",
9 "Cookie": "_abcde_qweasd=0; Hm_lvt_169609146ffe5972484b0957bd1b46d6=1583122664; bdshare_firstime=1583122664212; Hm_lpvt_169609146ffe5972484b0957bd1b46d6=1583145548",
10 "Host": "www.xbiquge.la"} # 设置头尽量多一点 以防万一
11 b_n = ""
12 def get_title_url():
13 x = str(input("输入书名或作者名:"))
14 data = {'searchkey': x}
15 url = 'http://www.xbiquge.la/modules/article/waps.php'
16 global headers, b_n
17 r = requests.post(url, data=data, headers=headers)
18 soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
19 book_author = soup.find_all("td", class_="even")
20 books = [] # 书名
21 authors = [] # 作者名
22 directory = [] # 目录链接
23 tem = 1
24 for each in book_author:
25 if tem == 1:
26 books.append(each.text)
27 tem -= 1
28 directory.append(each.a.get("href"))
29 else:
30 authors.append(each.text)
31 tem += 1
32 print('搜索结果：')
33 for num,book, author in zip(range(1, len(books)+1),books, authors):
34 print((str(num)+": ").ljust(4)+(book+"\t").ljust(25) + ("\t作者：" + author).ljust(20))
35 search = dict(zip(books, directory))
36 if books == []:
37 print("没有找到任何一本书，请重新输入!")
38 get_title_url()
39 try:
40 i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
41 except:
42 print("输入错误重新输入:")
43 i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
44 if i == 0:
45 books = []
46 authors = []
47 directory = []
48 get_title_url()
49 if i>len(books) or i<0:
50 print("输入错误重新输入:")
51 i = int(input("输入需要下载的序列号(重新搜索输入'0')"))
52 b_n=books[i-1]
53 try:
54 os.mkdir(books[i-1])
55 os.chdir(b_n)
56 except:
57 os.chdir(b_n)
58 b_n = books[i - 1]
59 return search[books[i-1]]
60
61 def get_text_url(titel_url):
62 url = titel_url
63 global headers
64 r = requests.get(url, headers=headers)
65 soup = bs4.BeautifulSoup(r.text.encode('ISO-8859-1'), "html.parser")
66 titles = soup.find_all("dd")
67 texts = []
68 names = []
69 texts_names = []
70 for each in titles:
71 texts.append("http://www.xbiquge.la"+each.a["href"])
72 names.append(each.a.text)
73 texts_names.append(texts)
74 texts_names.append(names)
75 return texts_names # 注意这里的返回值是一个包含两个列表的列表！！
76
77
78 def readnovel(texts_url):
79 global headers,b_n
80 count=1
81 max=len(texts_url[1])
82 print("预计耗时{}分钟".format((max // 60)+1))
83 tishi = input(str(b_n)+"一共{}章，确认下载输入'y',输入其他键取消".format(max))
84 if tishi == "y"or tishi =="Y":
85 for n in range(max):
86 url = texts_url[0][n]
87 name = texts_url[1][n]
88 req = requests.get(url=url,headers=headers)
89 time.sleep(random.uniform(0, 0.5)) # 即使设置了延迟，他还有会可能503（没办法小网站）
90 req.encoding = 'UTF-8' # 这里的编码是UTF-8，跟目录不一样，要注意！
91 html = req.text
92 soup = bs4.BeautifulSoup(html, features="html.parser")
93 texts = soup.find_all("div", id="content")
94 while (len(texts) == 0): # 他如果503的话，读取内容就什么都木有，那直接让他再读一次，直到读出来为止。
95 req = requests.get(url=url, headers=headers)
96 time.sleep(random.uniform(0,0.5))
97 req.encoding = 'UTF-8'
98 html = req.text
99 soup = bs4.BeautifulSoup(html, features="html.parser")
100 texts = soup.find_all("div", id="content")
101 else:
102 content = texts[0].text.replace('\xa0' * 8, '\n\n')
103 content=content.replace("亲,点击进去,给个好评呗,分数越高更新越快,据说给新笔趣阁打满分的最后都找到了漂亮的老婆哦!手机站全新改版升级地址：http://m.xbiquge.la，数据和书签与电脑站同步，无广告清新阅读！","\n")
104 # 使用text属性，提取文本内容，滤除br标签，随后使用replace方法，去掉八个空格符号，并用回车代替 再去除每一页都有得结尾
105 with open(name+'.txt',"w",encoding='utf-8')as f:
106 f.write(content)
107 sys.stdout.write("\r已下载{}章，还剩下{}章".format(count,max-count)) # sys模块就在这用了一次，为了不让他换行。。。
108 count += 1
109 print("\n全部下载完毕")
110 else:
111 print("已取消!")
112 os.chdir('..')
113 os.rmdir(b_n)
114 main()
115
116 def main():
117 titel_url = get_title_url()
118 texts_url = get_text_url(titel_url)
119 readnovel(texts_url)
120 input("输入任意键退出")
121
122
123 if __name__ == '__main__':
124 print("小说资源全部来自于'新笔趣阁'---》http://www.xbiquge.la\n所以搜不到我也没办法..........@晓轩\n为了确保下载完整，每章设置了0.5秒到1秒延时！")
125 main()
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
