用python爬蟲(chóng)下載小說(shuō)的示例

這篇文章主要介紹用python爬蟲(chóng)下載小說(shuō)的示例，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

只要利用 requests 和 Beautifulsoup 模塊就可以獲取到每一章節(jié)的 url 集合了。

import requests
from bs4 import BeautifulSoup
 
html = requests.get(url)
soup = BeautifulSoup(html.text, 'lxml')
all_td = soup.find_all('td', class_="L")
for a in all_td:
    all_urls = a.find('a').get('href')
print(all_urls)

獲取所有章節(jié) url 之后，自然是獲取每一個(gè)頁(yè)面的內(nèi)容，然后解析出小說(shuō)的內(nèi)容，保存到文件夾。這里又要用到 requests，我們寫(xiě)個(gè)函數(shù)復(fù)用。

def get_html(url):
    # 偽裝瀏覽器的頭，這部大家應(yīng)該都理解:
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
    html = requests.get(url,headers=headers)
return html

獲取小說(shuō)內(nèi)容也很簡(jiǎn)單，BeautifulSoup 解析出網(wǎng)頁(yè)，如果直接用 BeautifulSoup 通過(guò)提取網(wǎng)頁(yè) html 標(biāo)簽來(lái)獲取小說(shuō)的話，會(huì)出現(xiàn)排版問(wèn)題，不夠美觀。這里我們?nèi)匀挥谜齽t匹配小說(shuō)內(nèi)容。

for each in all_urls:
    soup = BeautifulSoup(get_html(each).text, 'lxml')
    # 獲取章節(jié)標(biāo)題
    title = soup.title.text.split('-')[1]
    all_info = soup.find('dd', id="contents")
    # 使用正則匹配章節(jié)內(nèi)容
    p = r'<dd id="contents">(.*?)</dd>'
    # 處理正則在匹配錯(cuò)誤章節(jié)，都是作者牢騷的內(nèi)容，不影響小說(shuō)內(nèi)容抓取，直接過(guò)濾
    try:
        info = re.findall(p, str(all_info), re.S)[0]
        # 下載到txt文件
        with open(title + '.txt', 'w', encoding='gbk', errors='ignore') as f:
            f.write(info.replace('<br/>', '\n'))
    print('save sucessful: %s' % title)
    except:
        print('re faild: %s' % title)

以上是“用python爬蟲(chóng)下載小說(shuō)的示例”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！