python训练写小说 python小说下载

前言

该文章主要分析编写爬虫小说的思路，文章代码使用语言Python3.7

2020-03-20

天象独行

第一部分：面对过程编程

1；首先我们确定目标，我们将要从网页：“https://www.biqukan.com/38_38836”下载小说“沧元图”。这里我们先设定URL以及请求头（后面会进行调整，让程序与人进行交互），且程序所需要的库：

from urllib importrequestfrom bs4 importBeautifulSoupimport_collectionsimportreimport os
'''***********************************

获取下载连接

***********************************'''url= 'https://www.biqukan.com/38_38836/'head= {'User-Agent':'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19',}

2；看到整个网页，我们发现这个界面是有很多目录，那么我们输入按键“F12”去查看前段代码。发现代码中属性“href”表示这是资源的具体路径，那这个时候，我们想到，可以通过Python 3 模块urllib 发出请求，正则表达式来提取内容的方式来提取我们所需要的内容：目录名称以及资源路径。具体查看如下代码：

charter = re.compile(u'[第弟](.+)章', re.IGNORECASE)

target_req= request.Request(url=url,headers=head) #发送请求#print("request.req的返回对象：",type(target_req))#print("++++++++++++++++++++++++++++++++++++++++++")
target_response=request.urlopen(target_req) #打开response包#print("request.response的返回对象：",type(target_response))#print("++++++++++++++++++++++++++++++++++++++++++")
'''打开read()用gbk编码编译'''target_html= target_response.read().decode('gbk','ignore')#print("request.html的返回对象：",type(target_html))#print("++++++++++++++++++++++++++++++++++++++++++")
listmain_soup= BeautifulSoup(target_html,'lxml') #使用“lxml”编译#print(listmain_soup.ul.li)#print("listmain_soup的返回对象：",type(listmain_soup))#print("++++++++++++++++++++++++++++++++++++++++++")
#chapters 状态是列表
chapters = listmain_soup.find_all('div',class_= 'listmain') #在下载的页面当中通过方法find_all 将页面中指定位置提取出来。#print(chapters)#print(type(chapters))#print("++++++++++++++++++++++++++++++++++++++++++")#help(listmain_soup.find_all)
download_soup= BeautifulSoup(str(chapters),'lxml') #将页面使用“lxml”编译#print(download_soup)#a = str(download_soup.dl.dt).split("》")[0][5:]#print(a)#novel_name = str(download_soup.)
novel_name = str(download_soup.dl.dt).split("》")[0][5:] #提取小说名称
flag_name= "《" + novel_name + "》" + "正文卷"
#print(flag_name)#print(len(download_soup.dl))#章节数目numbers
numbers = (len(download_soup.dl) - 1) / 2 - 8
#print(numbers)
download_dict=_collections.OrderedDict()
begin_flag=False
numbers= 1
#print(download_soup.dl.children)
#Beautiful Soup 通过tag的.children生成器，可以对tag的子节点进行循环#get属性的值
for child indownload_soup.dl.children:#print(dir(child))
#如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点:
if child != '\n':if child.string == u"%s" %flag_name:
begin_flag=Trueif begin_flag == True and child.a !=None:
download_url= "https://www.biqukan.com" + child.a.get('href')
download_name=child.string#print(download_name)
names = str(download_name).split('章')#print(names)
name = charter.findall(names[0] + '章')#print(name)
ifname:
download_dict['第' + str(numbers) + '章' + names[-1]] =download_url
numbers+= 1
#print(novel_name + '.txt' , numbers,download_dict)
#print(download_url)

3；这个时候我们成功将文章名称以及下载地址提取出来。结果如下图：

4；接下来，我们通过for 循环来逐一提取出文件名称以及下载地址，并且逐一下载进入文件。详细查看如下代码：

'''***************************************

提取下载地址,提取下载内容

***************************************'''

#print(download_dict['第1章 孟川和云青萍'])
print("下载开始>>>>")for key,value indownload_dict.items():
name_key=key
path= '/home/aaron/桌面/novel' + '//' +name_key
download_req_key= request.Request(url=value,headers=head)
download_response_value=request.urlopen(download_req_key)
download_html= download_response_value.read().decode('gbk','ignore')
soup_texts_value= BeautifulSoup(download_html,'lxml')
texts= soup_texts_value.find_all(id = 'content', class_ = 'showtxt')'''函数解析：
1；text 提取文本
2；replace（）方法把字符串中的 old（旧字符串） 替换成 new(新字符串)，如果指定第三个参数max，则替换不超过 max 次。'''texts= BeautifulSoup(str(texts),'lxml').div.text.replace('app2();' , '')
texts=texts.encode()#print(type(texts))
file = os.open(path,os.O_CREAT|os.O_RDWR|os.O_APPEND)
os.write(file,texts)#os.close(file)
print("%s 下载完成" ,name_key)

5；程序运行结果：

第二部分：面对对象思想

1；上面程序已经完成了任务，但是这样的代码没有交互，也没有这么方便阅读，那么我们将代码稍微调整一下。首先，我们将必要的，可重复的使用的功能都放在函数里面调用。如下：
#-*- coding:UTF-8 -*-
from urllib importrequestfrom bs4 importBeautifulSoupimport_collectionsimportreimportos'''类：下载《笔趣看》网小说: url:https://www.biqukan.com/'''
classdownload(object):def __init__(self,target):
self.target_url=target
self.head= {'User-Agent':'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19',}'''方法：获取下载链接
Parameters: 无
Returns:
1；文件名称
2；下载信息地址
3；小说名称'''
defdownload_url(self):
download_req= request.Request(url=self.target_url, headers =self.head)
download_response=request.urlopen(download_req)
download_html= download_response.read().decode('gbk','ignore')'''1；目前HTML已经使用url库发送了请求，接下来使用lxml编译，这么做是让我们更好的去提取网页当中我们需要的内容'''listmain_soup= BeautifulSoup(download_html,'lxml')'''2；我们通过BeautifulSoup方法，使用'lxml'编译，接下来我们我们来提取文件名称'''chapters= listmain_soup.find_all('div',class_ = 'listmain')
download_soup= BeautifulSoup(str(chapters),'lxml')'''3；提取文件名称'''novel_name= str(download_soup.dl.dt).split("》")[0][5:]'''4；设定for循环所需要的参数'''flag_name= '《' + novel_name + '》' + '正文卷'begin_flag= False #设定开始运行下载的位置
download_dict = _collections.OrderedDict() #设定有序字典，用来存放文件名称和下载链接地址
numbers = 1 #设定章节内容
'''4；利用for循环来提取出文件名称以及下载地址'''
for child indownload_soup.dl.children:if child != '\n': #排除空格
if child.string == u"%s" % flag_name: #设定开始下载位置
begin_flag =Trueif begin_flag == True and child.a != None: #符合有下载链接地址的条件才会下载
download_url = "https://www.biqukan.com" + child.a.get('href') #get() 用来提取属性内容
download_name =child.string'''5；重新修改文件名称'''names= str(download_name).split('章')
name= charter.findall(names[0] + '章')'''6；将文件名称以及下载链接放入字典当中'''
ifname:
download_dict['第' + str(numbers) + '章' + names[-1]] =download_url
numbers+= 1
return novel_name + '.txt', numbers , download_dict'''函数说明：爬文章内容
Parameters:
url
Retruns:
soup_text'''
defDownloader(self,url):
download_req= request.Request(url=self.target_url, headers =self.head)
download_response=request.urlopen(download_req)
download_html= download_response.read().decode('gbk','ignore')
soup_texts= BeautifulSoup(download_html,'lxml')
texts= soup_texts.find_all(id='content', class_='showtxt')
soup_text= BeautifulSoup(str(texts), 'lxml').div.text.replace('app2();', '')returnsoup_text'''函数说明：将爬去的文件内容写入文件'''
defwriter(self,name,path,text):
write_flag= True #设定文件写入的位置
'''1；使用with循环打开文件，并且注入到“f”当中'''with open(path,'a',encoding='utf-8') as f:
f.write(name+ '\n\n')for each intext:if each == 'h':
write_flag=Falseif write_flag == True and each != ' ':
f.write(each)if write_flag == True and each == '\r':
f.write('\n')
f.write('\n\n')if __name__ == "__main__":
target_url= str(input("请输入小说目录下载地址：\n"))
d= download(target=target_url)
name , numbers, url_dict=d.download_url()if name inos.listdir():
os.remove(name)
index=1
print("《%s》下载中:" % name[:-4])for key,value inurl_dict.items():
d.writer(key,name,d.Downloader(value))
sys.stdout.write("已下载:%.3f%%" % float(index / numbers) + '\r')
sys.stdout.flush()
index+= 1
print("《%s》下载完成！" % name[:-4])