python 爬取网络小说清洗并下载至txt文件

猪猪侠喜欢躲猫猫

2020-02-02

什么是爬虫

网络爬虫，也叫网络蜘蛛（spider），是一种用来自动浏览万维网的网络机器人。其目的一般为编纂网络索引。

网络搜索引擎等站点通过爬虫软件更新自身的网站内容或其对其他网站的索引。网络爬虫可以将自己所访问的页面保存下来，以便搜索引擎事后生成索引供用户搜索。

爬虫访问网站的过程会消耗目标系统资源。不少网络系统并不默许爬虫工作。因此在访问大量页面时，爬虫需要考虑到规划、负载，还需要讲“礼貌”。不愿意被爬虫访问、被爬虫主人知晓的公开站点可以使用robots.txt文件之类的方法避免访问。这个文件可以要求机器人只对网站的一部分进行索引，或完全不作处理。

互联网上的页面极多，即使是最大的爬虫系统也无法做出完整的索引。因此在公元2000年之前的万维网出现初期，搜索引擎经常找不到多少相关结果。现在的搜索引擎在这方面已经进步很多，能够即刻给出高质量结果。

爬虫还可以验证超链接和HTML代码，用于网络抓取。

环境：pycharm2017、python3.7

对于初学者来说，爬取小说是最简单的应用，而对于没有任何语法基础的人来说，清晰的逻辑往往比大段的代码更重要。

整个过程分为以下几步：

1.确定爬取目标（网页，前段页面）

　　首先要明确爬虫的原理，是从网页源代码进行进行数据爬取，本次是以http://www.92kshu.cc/69509/为例，进行小说爬取

2.分析代码，进行数据爬取

　　主要用到的是python的正则表达式，对想要爬取数据进行选择

title = re.findall(r‘<meta property="og:novel:book_name" content="(.*?)"/>‘,html)[0]在此语句中，用的是re库，对字符进行筛选，从网页代码中找到独一无二的标志代码段，进行筛选，如果一次不能直接筛选，则可进行多重，比如实例中，先爬取html，然后爬取dl，只是为了爬取对应章节的地址和每一章节的标题。用re.findall(r‘‘)进行匹配，需匹配的位置用（.*?）代替.

正则表达式表

模式	描述
^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[...]	用来表示一组字符,单独列出：[amk] 匹配 ‘a‘，‘m‘或‘k‘
[^...]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
re*	匹配0个或多个的表达式。
re+	匹配1个或多个的表达式。
re?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
re{ n}	精确匹配 n 个前面表达式。例如， o{2} 不能匹配 "Bob" 中的 "o"，但是能匹配 "food" 中的两个 o。
re{ n,}	匹配 n 个前面表达式。例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。
re{ n, m}	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
a\| b	匹配a或b
(re)	对正则表达式分组并记住匹配的文本
(?imx)	正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
(?-imx)	正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
(?: re)	类似 (...), 但是不表示一个组
(?imx: re)	在括号中使用i, m, 或 x 可选标志
(?-imx: re)	在括号中不使用i, m, 或 x 可选标志
(?#...)	注释.
(?= re)	前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
(?! re)	前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功
(?> re)	匹配的独立模式，省去回溯。
\w	匹配字母数字及下划线
\W	匹配非字母数字及下划线
\s	匹配任意空白字符，等价于 [\t\n\r\f].
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9].
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z	匹配字符串结束
\G	匹配最后匹配完成的位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b‘ 可以匹配"never" 中的 ‘er‘，但不能匹配 "verb" 中的 ‘er‘。
\B	匹配非单词边界。‘er\B‘ 能匹配 "verb" 中的 ‘er‘，但不能匹配 "never" 中的 ‘er‘。
\n, \t, 等.	匹配一个换行符。匹配一个制表符。等
\1...\9	匹配第n个分组的内容。
\10	匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。

3.清洗（用python进行清洗）

replace(‘a‘,‘b‘)，用b替换a，进行初步清洗，也可以用MapReduce进行清洗。

4.存入文件

　　fb = open(‘%s.txt‘ % title,‘w‘,encoding=‘utf-8‘)　　建立文件，并且该文件为写入状态，其中%s是占位符，也就是用% title 进行替换　　chapter_url = "http://www.92kshu.cc%s" %chapter_url　　这段代码为连接字符串，与+相比，%s能够节省内存　　fb.write（String）就是来写入文件的语句

源代码：

#down web pages

import requests
import re

url = ‘http://www.92kshu.cc/69509/‘
response = requests.get(url)
response.encoding = ‘gbk‘
html = response.text
title = re.findall(r‘<meta property="og:novel:book_name" content="(.*?)"/>‘,html)[0]
fb = open(‘%s.txt‘ % title,‘w‘,encoding=‘utf-8‘)
#获取每章的内容
#print(html)
dl = re.findall(r‘<dl><dt><i class="icon"></i>正文</dt>(.*?)</dl>‘,html)[0]
print(dl)
chapter_info_list = re.findall(r‘<dd><a href="(.*?)">(.*?)</a></dd>‘,dl)
#print(chapter_info_list)
for chapter_info in chapter_info_list:
    chapter_url,chapter_title = chapter_info
    chapter_url = "http://www.92kshu.cc%s" %chapter_url
    #print(chapter_url)
    chapter_response = requests.get(chapter_url)
    chapter_response.encoding = ‘gbk‘
    chapter_html = chapter_response.text
    chapter_content = re.findall(r‘<div class="chapter">(.*?)><br>‘,chapter_html)[0]
    #print(chapter_content)
    chapter_content = chapter_content.replace(‘<p>‘,‘‘)
    chapter_content = chapter_content.replace(‘</p>‘,‘‘)
    fb.write(chapter_title)
    fb.write(chapter_content)
    fb.write(‘\n‘)
    print(chapter_url)

td python td处理