最近闲的无聊，想爬点书看看。 于是我选择了这个网站雨枫轩。
STEP1.分析网站
一开始我想通过一篇文章引用的链接，将书爬完，后来发现并不需要这样做。比如我们可以打开人生哲学这个栏目。
如图1所示，会把页面数全列出来。
并且这个url
http://txt.rain8.com/txtzx/list_93_1.html
也非常的有规律。
可以看出是由
'http://txt.rain8.com/txt'+'栏目名称'+'list_栏目编号_页数.html'
组成的。
知道了这点后，我们就能轻松的把网站爬完了。
STEP2.初始化
首先我们来理清思路。
这是我们需要的库
import requests
import re
import os
其实这个项目用urllib2也能完成。
我们首先来初始化,在self.urls里，我们定义一些需要fetch的栏目。(比如言情，恐怖仙侠之类的书就可以跳过)。然后写一些正则表达式，供其他的method使用。
class fetchBook:
def __init__(self):
self.header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0'}
self.urls = [
'http://txt.rain8.com/txtgw/',
'http://txt.rain8.com/txtzj/',
'http://txt.rain8.com/txtzx/',
'http://txt.rain8.com/txtsh/'
]
self.rePageIndex = re.compile('list_\d+_\d+.html')#得到栏目编号
self.rePageCount = re.compile('<strong>\d+</strong>')#得到页面数目
self.reDownloadGet1 = re.compile('href=.http://txt.rain8.com/plus/xiazai_yfx.php?[^>]+')#得到下载链接
self.reGetTitle = re.compile('<title>.+</title>')#得到标题
self.reGetAuthor = re.compile("</small><span>[^>]+")#得到作者名称
self.reBookGetNew = re.compile('')#得到书籍链接
self.reBookGetOld = re.compile('')
self.cnt = 0
STEP3.获取所有的页面
我们可以查看人生哲学源代码。可以找到总共的页数。
然后我们就能得到每一页的数据。
代码如下
def viewAllPage(self,url):
"""
函数功能为把该栏目下所有页面全过一遍。
"""
req = requests.get(url,headers = self.header)
pageIndex = self.rePageIndex.findall(req.text)[0][5:7]
pageCount = int(self.rePageCount.findall(req.text)[0][8:-9])
urlToFetch = [url,'list_',pageIndex,'_','1','.html']
foldname = self.reGetTitle.findall(req.text)[0][7:]
foldname = foldname.encode('unicode_escape').decode('string_escape')
foldname = foldname.split('|')[0]
self.createDir(foldname)
for page in range(1,pageCount+1):
urlToFetch[4] = str(page)
url_to_get = ''.join(urlToFetch)#得到所有页面的url
STEP4.得到下载链接
然后我们用上面写好的正则表达式，来匹配她的下载链接。
def fetchDownloadUrl(self,bookurl):
req = requests.get(bookurl,headers = self.header)
result = self.reDownloadGet1.findall(req.text)
result = result[0][6:-17]
authorname = self.reGetAuthor.findall(req.text)[0][14:-6].encode('unicode_escape').decode('string_escape')
req = requests.get(result,headers = self.header)
bookname = self.reGetTitle.findall(req.text)[0][7:-24]
downloadurl = self.reDownloadGet1.findall(req.text)[0][6:-17]
return downloadurl,bookname,authorname
STEP5.下载
下载的时候，由于该网站下载的书都是rar格式的。所以我们只要用二进制的方式写就可以了。
我们调用
self.req = requests.get(downloadUrl,headers = self.header)
然后
f = open(posi+'/'+bookname+'.rar','wb')
就可以写进去了。
STEP6.编码问题
之前一直被python的编码问题搞的头大，这次又遇见了。于是找了点资料看了看。
因为python工作使用的编码是unicode，如果要在编码间进行转化，推荐要先decode成unicode，然后再encode成别的编码。
然后我在爬内容的过程中碰到了这个问题：
s = u'\xb9\xc5\xca\xab\xb4\xca\xc3\xfb\xd6\xf8'
\xb9这样的很明显应该是gbk编码。而python却在字符串前加了个u。然后我对这串字符encode还是decode都会报错。或者打印出来乱码。
经过查阅资料，我找到了一种解决办法
s.encode('unicode_escape').decode('string_escape')
经过这样处理后
>>> print repr(s)
>>> '\xb9\xc5\xca\xab\xb4\xca\xc3\xfb\xd6\xf8'
很明显就恢复了正常。这时我们只要decode('gb2312')就能转换成unicode编码了。
STEP7.结果展示
github地址
喜欢的可以点一下喜欢。
