requrets、re实现简单爬虫

开发环境：python 3.8.0+requests+pygame+ReNamer Pro

简介：爬取网络电子书籍，按章节名称写入每一章的内容（且按章节名排序），存于电子书名文件夹下。

效果：

代码如下：

import requests
import re
import os

# 1.获取电子书目录页HTML代码
headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36‘}
response = requests.get(‘http://www.xqishuta.com/du/36/36878/‘, headers=headers)
html = response.content.decode(‘utf-8‘)
# print(html)

# 2.re获取每一章节的URL
urls = re.findall(‘<a href="(.*?)">.*? .*?</a>‘, html)
urls1 = urls[20:-1]

# 3.re获取每一章节的名称
urss = re.findall(‘<a href=".*?">(.*? .*?)</a>‘, html)
urss1 = urss[20:-1]
print(urss1[0])

# 按书籍名创建文件夹
dir_name = [‘圣墟‘][0]
if not os.path.exists(dir_name):
    os.mkdir(dir_name)

# 4.循环获取每一章节HTML代码
i = 0
while i < len(urss1):
    # response1 = requests.get(("http://www.xqishuta.com/du/36/36878/" + urls1[i]))
    # # print("http://www.xqishuta.com/du/36/36878/" + urls1[i])
    # print(response1)
    response = requests.get(str("http://www.xqishuta.com/du/36/36878/" + str(urls1[i])), headers=headers).content.decode(‘utf-8‘)
    # re获取每一章节的内容
    content = re.findall(‘.*?.*?<p class=".*?">‘, response)
    # 内容清洗
    text = re.sub("[A-Za-z0-9\!\%\[\]\,\:&lt;\/\\\< >\=""‘\"\"]", "", str(content)).encode(‘utf-8‘)

    # 5.按章节名称写入每一章的内容
    with open(dir_name + ‘/‘ + urss1[i] + ‘.txt‘, ‘wb‘) as f:
        f.write(text)40     # 打印已经完成的章节的URL
    print(urls1[i])

    i += 1

最后：由于这本电子书籍章节名称前一千多章章节排序名称为中文，后面为数字，造成文件夹中排序上错乱。效果是这样的，强迫症表示看着非常难受

于是网上找来一软件为ReNamer Pro将中文排序改为了数字排序，用的是里面的名称替换。

思路很简单，全部拖入后一换1....十、百、千替换成空，然后特殊的（比如第十章，第一百章，第一千章等）取消选中，重命名后特殊名称的分批替换。都重命名后排序效果如最上图，看着非常舒适。

链接: https://pan.baidu.com/s/1tRr2f7XUJ5oCLX2zUS-UQA 提取码: qpif