Python爬虫之网页电子书批量爬取

 

小说迷有福了。学会这个,不用再受网页端广告的骚扰,也不用再花钱去各个小说平台看了。自己批量爬取他不香吗?

对于爱学习的朋友来说也是福音呀。各种资料去爬取,保存下来。更加有利于提高自己的学习效率。

上述两点都是小道,*重要的是爬虫学习的好,是可以工作或者去接单挣外快的。

python爬虫学习实践之电子书爬取

1.获取网页信息

import requests #导入requests库
”’
获取网页信息
”’
if __name__ == ‘__main__’: #主函数入口
target = ‘https://www.xsbiquge.com/78_78513/108078.html’#要爬取的目标地址
req = requests.get(url=target) #进行get请求
req.encoding=’utf-8′ #设置编码
print(req.text) #打印输出

2.引入BeautifulSoup对网页内容进行解析

import requests #导入requests库
from bs4 import BeautifulSoup #引入BeautifulSoup库

”’
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息
”’
if __name__ == ‘__main__’: #主函数入口
target = ‘https://www.xsbiquge.com/78_78513/108078.html’#要爬取的目标地址
req = requests.get(url=target) #发起请求,获取html信息
req.encoding=’utf-8′ #设置编码
html = req.text #将网页的html信息保存在html变量中
bs = BeautifulSoup(html,’lxml’) #使用lxml对网页信息进行解析
texts = bs.find(‘div’,id=’content’) #获取所有<div id = “content”>的内容
print(texts) #打印输出

3.切分数据,去掉空格,提取文字

import requests #导入requests库
from bs4 import BeautifulSoup #引入BeautifulSoup库

”’
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息
*后一句texts.text 是提取所有文字,然后再使用 strip 方法去掉回车,
*后使用 split 方法根据 \\xa0 切分数据,因为每一段的开头,都有四个空格
”’
if __name__ == ‘__main__’: #主函数入口
target = ‘https://www.xsbiquge.com/78_78513/108078.html’#要爬取的目标地址
req = requests.get(url=target) #发起请求,获取html信息
req.encoding=’utf-8′ #设置编码
html = req.text #将网页的html信息保存在html变量中
bs = BeautifulSoup(html,’lxml’) #使用lxml对网页信息进行解析
texts = bs.find(‘div’,id=’content’) #获取所有<div id = “content”>的内容
print(texts.text.strip().split(‘\\xa0’*4)) #打印输出

4.查看章节列表

import requests #导入requests库
from bs4 import BeautifulSoup #引入BeautifulSoup库

”’
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

”’
if __name__ == ‘__main__’: #主函数入口
target = ‘https://www.xsbiquge.com/78_78513/’#要爬取的目标地址,《元尊》的章节目录网址
req = requests.get(url=target) #发起请求,获取html信息
req.encoding=’utf-8′ #设置编码
html = req.text #将网页的html信息保存在html变量中
bs = BeautifulSoup(html,’lxml’) #使用lxml对网页信息进行解析
chapters = bs.find(‘div’,id=’list’) #获取所有<div id = “list”>的内容
chapters = chapters.find_all(‘a’) #找到list中的a标签中的内容
for chapter in chapters:
print(chapter) #打印章节列表

5.获取章节目录和章节链接

import requests #导入requests库
from bs4 import BeautifulSoup #引入BeautifulSoup库

”’
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

”’
if __name__ == ‘__main__’: #主函数入口
server = ‘https://www.xsbiquge.com’
target = ‘https://www.xsbiquge.com/78_78513/’#要爬取的目标地址,《元尊》的章节目录网址
req = requests.get(url=target) #发起请求,获取html信息
req.encoding=’utf-8′ #设置编码
html = req.text #将网页的html信息保存在html变量中
bs = BeautifulSoup(html,’lxml’) #使用lxml对网页信息进行解析
chapters = bs.find(‘div’,id=’list’) #获取所有<div id = “list”>的内容
chapters = chapters.find_all(‘a’) #找到list中的a标签中的内容
for chapter in chapters:
url = chapter.get(‘href’) #获取章节链接中的href
print(“《”+chapter.string+”》”) #打印章节名字
print(server+url) #将电子书网站与获取到的章节连接进行拼接,得到每一个章节的链接

6.整合数据,下载电子书文档

import requests #导入requests库
from bs4 import BeautifulSoup #引入BeautifulSoup库
import time
from tqdm import tqdm

”’
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

”’
def get_content(target):
req = requests.get(url=target) # 发起请求,获取html信息
req.encoding = ‘utf-8’ # 设置编码
html = req.text # 将网页的html信息保存在html变量中
bf = BeautifulSoup(html, ‘lxml’) # 使用lxml对网页信息进行解析
texts = bf.find(‘div’, id=’content’) # 获取所有<div id = “content”>的内容
content = texts.text.strip().split(‘\\xa0’ * 4)
return content

if __name__ == ‘__main__’: #主函数入口
server = ‘https://www.xsbiquge.com’ #电子书网站地址
book_name = ‘《元尊》.txt’
target = ‘https://www.xsbiquge.com/78_78513/’#要爬取的目标地址,《元尊》的章节目录网址
req = requests.get(url=target) #发起请求,获取html信息
req.encoding=’utf-8′ #设置编码
html = req.text #将网页的html信息保存在html变量中
chapter_bs = BeautifulSoup(html,’lxml’) #使用lxml对网页信息进行解析
chapters = chapter_bs.find(‘div’,id=’list’) #获取所有<div id = “list”>的内容
chapters = chapters.find_all(‘a’) #找到list中的a标签中的内容
for chapter in tqdm(chapters):
chapter_name = chapter.string #章节名字
url = server + chapter.get(‘href’) #获取章节链接中的href
content = get_content(url)
with open(book_name,’a’,encoding=’utf-8′) as f:
f.write(“《”+chapter_name+”》”)
f.write(‘\n’)
f.write(‘\n’.join(content))
f.write(‘\n’)

刚开始下载的时候可能会有点慢,下载一本书十分钟。后续碰到更好的方式也会分享出来的了。大家有更好的建议也可以一起交流哈。