Python爬虫-抛砖引玉

愿与此文献给那可爱的孩子啊海,毕竟他只是个孩子.

上周我路过小朋友啊海的桌子边，看到他在那用鼠标一边又一边的复制粘贴一本小说，心生好奇，搭讪之。

我:啊海，你在干吗？下小说吗？

啊海:恩，对啊，月底了家里断网了。只能看小说了。

我:哦，不过你就这样一章章下吗？我看这都上千章了呢?

啊海:恩，找不到可以下载的链接，只能自己一章章下。

我:...无语中...

在这个moment呢.......

在网络上有一种自动实现啊海机械操作的技术,术语叫网络爬虫,百度上的解释是按照一定的规则,自动地抓取互联网上的信息.

恰好我知道有一种语言可以很是方便并且简单的实现这种操作,它呢,就是python.来吧,说干就干,让我们嗨起来.

下面我们先来搭建环境吧.

• 前往python的官网https://www.python.org，下python3的最新版本。别问python2可不可以，找打是不?
• 下个IDE吧.虽说不用也可以,但是我就是想下啊.就选PyCharm吧.下community版本的就可以了,不收费呢,土豪可以试下Professional版本的.随便让我涨涨见识.
• 打开安装包,一路Next下去就可以了.
• 打开PyCharm新建个工程吧.灰常简单.

• 安装requests和beautifulsoup.用pip就可以了.分别在Terminal输入pip install requests和pip install beautifulsoup4

• 新建个main.py.测试下环境是否OK.

如果上面都没有问题的话,我们先找一个网站,去它里面抓取小说就可以了.找一个简单的网站吧.就它了https://www.xbiquge6.com/.(见鬼了吧.竟然不让我截图,一上图就无法显示?那就先这样吧.)

然后就可以写代码了,第一次吗,先上一个简单粗暴的版本吧.就按啊海下的那部伏天氏为例子,把下面的代码敲入IDE中,点RUN就可以坐等程序把小说下载好了.最后会在工程目录下生成一个伏天氏.txt,打开它就可以慢慢看小说了.

这是最终的源码.

#coding:utf-8
import requests
import time
import sys
import os
import queue
from bs4 import BeautifulSoup
base_url = 'https://www.xbiquge6.com'
first_url = 'https://www.xbiquge6.com/9_9208/5095645.html'
q = queue.Queue()
def get_content(url):
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
r = requests.get(url=url, headers=headers)
r.encoding = 'utf-8'
content = r.text
return content
except:
s = sys.exc_info()
print("Error '%s' happened on line %d" % (s[1], s[2].tb_lineno))
return " ERROR "
def praseContent(content):
soup = BeautifulSoup(content,'html.parser')
chapter = soup.find(name='div',class_="bookname").h1.text
content = soup.find(name='div',id="content").text
save(chapter, content)
next1 = soup.find(name='div',class_="bottem1").find_all('a')[2].get('href')
if next1 != '/9_9208/':
q.put(base_url+next1)
print(next1)
def save(chapter, content):
filename = "伏天氏.txt"
f =open(filename, "a+",encoding='utf-8')
f.write("".join(chapter)+'
')
f.write("".join(content.split())+'
')
f.close
def main():
start_time = time.time()
q.put(first_url)
while not q.empty():
content = get_content(q.get())
praseContent(content)
end_time = time.time()
project_time = end_time - start_time
print('程序用时', project_time)
if __name__ == '__main__':
main()

后记:

这篇文章是没有把许多知识点说明白,因为知识点还是有一些,一两篇还说不完呢.还是等以后有空呢,再来把这些坑一个个填上.然后呢.那几个GIF操作图我整了许久都高清不了,吐血放弃了.新手嘛.就酱紫吧.

文章源自网络，侵删。