Python爬虫实例之——小说下载

第一篇关于爬虫中介绍了一些基本的术语和简单的操作，这里不重复叙述了，直接放链接，不记得的自己在文章末尾点击前期链接补补~

本篇开始要进入实操啦，今天第一篇先从简单的爬起~先爬一爬文本格式的数据吧，以小说为例。大致流程为：获取HTML信息，解析HTML信息，将HTML信息中选择感兴趣的保存~

①

首先上篇还没有说到requests库的使用，这是一个十分强大的库，现列举几个基础方法：（官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html）

②

网络小说在青年人群体中还是很受欢迎的，笔趣看是一个盗版小说网站，其更新速度稍滞后于正版小说的更新速度，但是都免费阅读。并且该网站只支持在线浏览，不支持小说打包下载。小说网站-笔趣看：URL：http://www.biqukan.com/

随便以一篇小说《复兴之路》为例，其第一章URL：http://www.biqukan.com/11_11745/4321123.html

现在我们先利用前篇内容获取html信息试试看。

# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
    target = 'http://www.biqukan.com/11_11745/4321123.html'
    req = requests.get(url=target)
    print(req.text)

其结果的确获取了所要的html信息，然而多了很多我们不需要的数据，实际上多的这些数据时div、br等html标签，我们并不care这些，所以我们需要将正文提取出来，也就是在获取了html信息之后将其解析，提取我们需要的信息。

提取的方法中很牛逼的正则表达式暂时不涉及，用一个简单的BeautifulSoup，其安装同requests一样，pip install 即可~

根据上一讲的方法，可以通过审查元素发现文章所有内容都存放在div标签下

"content", class="showtxt">


观察不同标签发现class属性为showtxt的div标签只有一个！这个标签里面存放的内容，是我们需要的小说正文。于是利用beautifulsoup提取内容代码如下：

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
     target = 'http://www.biqukan.com/11_11745/4321123.html'
     req = requests.get(url = target)
     html = req.text
     bf = BeautifulSoup(html)
     texts = bf.find_all('div', class_ = 'showtxt') 
     print(texts)

在解析html之前，我们需要创建一个Beautiful Soup对象。BeautifulSoup函数里的参数就是我们已经获得的html信息。然后我们使用find_all方法，获得html信息中所有class属性为showtxt的div标签。find_all方法的第一个参数是获取的标签名，第二个参数class_是标签的属性。

最后我们还是发现多了其他的一些标签不是我们想要的。find_all匹配的返回的结果是一个列表。提取匹配结果后，使用text属性，提取文本内容，滤除br标签。随后使用replace方法，剔除空格，替换为回车进行分段。 在html中是用来表示空格的。replace(‘\xa0’*8,’\n\n’)就是去掉下图的八个空格符号，并用回车代替：

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
     target = 'http://www.biqukan.com/11_11745/4321123.html'
     req = requests.get(url = target)
     html = req.text
     bf = BeautifulSoup(html)
     texts = bf.find_all('div', class_ = 'showtxt') 
     print(texts[0].text.replace('\xa0'*8,'\n\n'))

这时候我们得到了想要的结果：

但是但是！！！重点是如果我们想整本书下载下来呢？同样通过审查元素发现全书各个章节存放在了class属性为listmain的div标签下，各章之间差别就在于这些章节的【href】属性不一样，而且其属性正好对应着每一章节URL后半部分，那这样，我们就可以根据标签的href属性值获得每个章节的链接和名称了。如下图：

所以再次利用find_all方法获取所有目录：

#encoding=utf-8
import requests,sys
from bs4 import BeautifulSoup
if __name__ == "__main__":
     target = 'http://www.biqukan.com/11_11745/'
     req = requests.get(url = target)
     html = req.text
     div_bf = BeautifulSoup(html)
     div = div_bf.find_all('div', class_ = 'listmain')
     print(div[0])

得到如下结果：

再接着提取章节名和章节文章：

#encoding=utf-8
import requests,sys
from bs4 import BeautifulSoup
if __name__ == "__main__":
     server = 'http://www.biqukan.com/'
     target = 'http://www.biqukan.com/11_11745/'
     req = requests.get(url = target) 
     html = req.text
     div_bf = BeautifulSoup(html)
     div = div_bf.find_all('div', class_ = 'listmain')
     a_bf = BeautifulSoup(str(div[0]))
     a = a_bf.find_all('a')
     for each in a:
          print(each.string, server + each.get('href'))

结果如下：

③

将上边的代码进行整合，于是得到如下完整代码：

#encoding=utf-8
from bs4 import BeautifulSoup
import requests, sys
"""
类说明:下载《笔趣看》网小说《复兴之路》
Parameters:
    无
Returns:
    无
"""
class downloader(object):
    def __init__(self):
        self.server = 'http://www.biqukan.com/'
        self.target = 'http://www.biqukan.com/11_11745/'
        self.names = []            #存放章节名
        self.urls = []            #存放章节链接
        self.nums = 0            #章节数
    """
    函数说明:获取下载链接
    Parameters:
        无
    Returns:
        无
    """
    def get_download_url(self):
        req = requests.get(url = self.target)
        html = req.text
        div_bf = BeautifulSoup(html)
        div = div_bf.find_all('div', class_ = 'listmain')
        a_bf = BeautifulSoup(str(div[0]))
        a = a_bf.find_all('a')
        self.nums = len(a[14:])                                #剔除不必要的章节，并统计章节数
        for each in a[14:]:
            self.names.append(each.string)
            self.urls.append(self.server + each.get('href'))
    """
    函数说明:获取章节内容
    Parameters:
        target - 下载连接(string)
    Returns:
        texts - 章节内容(string)
    """
    def get_contents(self, target):
        req = requests.get(url = target)
        html = req.text
        bf = BeautifulSoup(html)
        texts = bf.find_all('div', class_ = 'showtxt')
        texts = texts[0].text.replace('\xa0'*8,'\n\n')
        return texts
    """
    函数说明:将爬取的文章内容写入文件
    Parameters:
        name - 章节名称(string)
        path - 当前路径下,小说保存名称(string)
        text - 章节内容(string)
    Returns:
        无
    """
    def writer(self, name, path, text):
        write_flag = True
        with open(path, 'a', encoding='utf-8') as f:
            f.write(name + '\n')
            f.writelines(text)
            f.write('\n\n')
if __name__ == "__main__":
    dl = downloader()
    dl.get_download_url()
    print('《复兴之路》开始下载：')
    for i in range(dl.nums):
        dl.writer(dl.names[i], '复兴之路.txt', dl.get_contents(dl.urls[i]))
        sys.stdout.write("  已下载:%.3f%%" %  float(i/dl.nums) + '\r')
        sys.stdout.flush()
    print('《复兴之路》下载完成')

其运行后会自动下载此小说《复习之路》，你的又一个爬虫实践成功finish啦~