python爬虫下载小说

《龙族5》为例,该小说网站每个章节都被拆分为2页,链接形式 https://www. 无法查看第2页内容,而使用 https://m. 链接形式可以查看第2页内容

查看网页源代码,获取网页的章节名、正文、下一页/章链接

<div class="nr_title" id="nr_title">
第2章 全民公敌 1(第1/2页)
</div>
&nbsp;&nbsp;&nbsp;&nbsp;这是地狱中的魔王们相互撕咬。
<br>
<br>
&nbsp;&nbsp;&nbsp;&nbsp;铁剑和利爪撕裂空气,留下霜冻和火焰的痕迹,血液刚刚飞溅出来,就被高温化作血红色的蒸汽,冲击波在长长的走廊上来来去去,早已没有完整的玻璃,连这座建筑物都摇摇欲坠。
<br>
<a id="pb_next" href="/211217/74583837_2.html                    ">下一页</a>

可使用python parsel模块获取网页文字数据,css选择器(copy selector)获取内容

import requests
import parsel  # 网页提取文字xpath、re、css
from unicodedata import normalize  # normalize方法将Unicode字符转换为正常字符
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36 Edg/83.0.478.45'}

def paper_download(url):
    """
    适用网站:https://m.rsilu.com
    """
    response = requests.get(url=url, headers=headers)
    selector = parsel.Selector(response.text.encode('iso-8859-1').decode('gbk', 'ignore'))
    title = selector.css('#nr_title::text').extract_first()  # 章节名
    title = title.strip()  # 去除头尾空字符
    content = selector.css('#nr1::text').getall()  # 正文内容
    next_url = selector.css('#pb_next::attr(href)').extract_first()  # 下页链接
    next_url = next_url.strip()
    text = ''
    for i in content:
        text += i.strip() + '\n'
    text = normalize('NFKC', text)  # 将Unicode字符转换为正常字符
    return title, text, next_url

def paper_save(filepath, start_url, end_url):
    """
    适用网站:https://m.rsilu.com
    :param str filepath: 小说文件保存完整路径
    :param str start_url: 小说开始下载页链接
    :param str end_url: 小说正文的结束页/最后一页链接
    """
    base_url = r'https://m.rsilu.com'
    now_url = start_url
    while True:
        url = base_url + now_url
        pd = paper_download(url)
        with open(filepath, 'a', encoding='gbk') as f:  # 同上面编码是gbk
            f.write(pd[0])  # 章节名
            f.write(pd[1])  # 正文内容首行自带空行
            #break  # 单次测试
        if now_url != end_url:
            now_url = pd[2]
        else:
            print('下载失败:{}< 或 >最后一章下载完成'.format(now_url))
            break

if __name__ == '__main__':
    filename = r'E:\测试\txt\龙族5.txt'
    start_url = r'/211217/74583837.html'
    end_url = r'/211217/74584433.html'
    paper_save(filename, start_url, end_url)

爬取结果

2022.05.24-1.jpg
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容