Python:爬取二号首长

二号首长个人觉得还是很不错的一个官场小说,不过不论是电子版还是有声小说,都看过或听过一遍了,本文纯属为了锻炼爬虫基本功而做的实验。

有几个小经验可以分享一下:

CSS selector

文本内容都在下面这个节点内

<div id="htmlContent" class="contentbox">

所以使用

contents = soup.select("div.contentbox")

然后对其中每个项使用get_text()方法得到文本,再进行解码即可。

如何取得页面的title

requests没有现成的方法,我们要使用下面的代码来取得页面的title

from lxml.html import fromstring
import requests

first_chapter_content = requests.get(first_chapter_url)
tree = fromstring(first_chapter_content.content)
title = tree.findtext('.//title')
title = title.split(u'_官场言情_360小说网')[0]

这里split的目的主要是不要让标题太长,split冗余的文字。

如何把GBK内容转码成正常文字

另外一篇文章已经阐述了这个问题,这里再说一下

content_of_first_chapter = []
for content in contents:
     content = content.get_text().encode('latin-1').decode('gbk').encode('utf-8').replace("牋牋", "")
     content_of_first_chapter.append(content)

最后一个replace的目的是,在转码之后不知道为啥会多了那两个字,看起来很不顺眼,只能替换掉,后面有空再研究一下,为啥出了这个东东。

把list写入文本文件

with open(filename, "wb") as f:
     for content in content_of_first_chapter:
         f.write("{}\n".format(content))
 f.close()

全部代码

#!usr/bin/env  
# -*-coding:utf-8 -*-
import requests
import os
from bs4 import BeautifulSoup as BS
from lxml.html import fromstring
import sys

reload(sys)
sys.setdefaultencoding('utf-8')


sub_folder = os.path.join(os.getcwd(), "erhaoshouzhang")
if not os.path.exists(sub_folder):
    os.mkdir(sub_folder)

domain = 'http://www.zw360.com/zhangjie/2427/index.html'
new_domain = '/'.join(domain.split("/")[:-1])
web_data = requests.get(domain)

soup = BS(web_data.text, "lxml")
link_lists = soup.select('ul.chapter-list > li.chapter > a')

all_links = []
for link in link_lists:
    all_links.append(link.get('href'))

# #
for link_of_each_chapter in all_links:
    real_link_of_each_chapter = new_domain + "/" + link_of_each_chapter
    print real_link_of_each_chapter
    each_chapter = requests.get(real_link_of_each_chapter)
    soup = BS(each_chapter.text, "lxml")

    # Get content of each chapter
    contents = soup.select("div.contentbox")
    content_of_each_chapter = []
    for content in contents:
        content = content.get_text().encode('latin-1').decode('gbk').encode('utf-8').replace("牋牋", "")
        content_of_each_chapter.append(content)

    # Get title of each chapter
    tree = fromstring(each_chapter.content)
    title = tree.findtext('.//title')
    title = title.split(u'_官场言情_360小说网')[0]
    
    filename = sub_folder + "\\" + title + ".txt"
    print filename
    with open(filename, "wb") as f:
        for item in content_of_each_chapter:
            f.write("{}\n".format(item))
    f.close
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,752评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,100评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,244评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,099评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,210评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,307评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,346评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,133评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,546评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,849评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,019评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,702评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,331评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,030评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,260评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,871评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,898评论 2 351

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 171,918评论 25 707
  • 发现 关注 消息 iOS 第三方库、插件、知名博客总结 作者大灰狼的小绵羊哥哥关注 2017.06.26 09:4...
    肇东周阅读 12,074评论 4 62
  • 1. Java基础部分 基础部分的顺序:基本语法,类相关的语法,内部类的语法,继承相关的语法,异常的语法,线程的语...
    子非鱼_t_阅读 31,605评论 18 399
  • 文\爱晓贱 昔日紫薇嫁得如意郎,全凭自己当女王 7月31日下午2点,我们的睫毛帝男神霍建华和紫薇女神林心如在巴厘岛...
    落雪有晴空阅读 781评论 8 9
  • 《生活》 梦。 在上完现当代文学欣赏课后,我深深被课文的内容打动,更是在老师述说自己婚后生活后更是感慨万分,特别想...
    柳晞阅读 186评论 0 0