我用Python来爬取了小说《花千骨》……

摘要: 知识就像碎布,记得“缝一缝”,你才能华丽丽地亮相。

12-11 04:42 首页 超级数学建模


知识就像碎布,记得“缝一缝”,你才能华丽丽地亮相。


1.Beautiful Soup


1.Beautifulsoup 简介


此次实战从网上爬取小说,需要使用到Beautiful Soup。

Beautiful Soup为python的第三方库,可以帮助我们从网页抓取数据。

它主要有如下特点:


  • 1.Beautiful Soup可以从一个HTML或者XML提取数据,它包含了简单的处理、遍历、搜索文档树、修改网页元素等功能。可以通过很简短地代码完成我们地爬虫程序。

  • 2.Beautiful Soup几乎不用考虑编码问题。一般情况下,它可以将输入文档转换为unicode编码,并且以utf-8编码方式输出,


2.Beautiful Soup安装


win命令行下:


pip install beautifusoup4


3.Beautiful Soup基础


大家可以参考文档来学习(中文版的哦):http://beautifulsoup.readthedocs.io/zh_CN/latest/#id8


对于本次爬虫任务,只要了解以下几点基础内容就可以完成:


1.Beautiful Soup的对象种类:


  • Tag

  • Navigablestring

  • BeautifulSoup

  • Comment


2.遍历文档树:find、find_all、find_next和children


3.一点点HTML和CSS知识(没有也将就,现学就可以)


2.爬取小说花千骨


1.爬虫思路分析


本次爬取小说的网站为136书屋。


先打开花千骨小说的目录页,是这样的。



我们的目的是找到每个目录对应的url,并且爬取其中地正文内容,然后放在本地文件中。


2.网页结构分析


首先,目录页左上角有几个可以提高你此次爬虫成功后成就感的字眼:暂不提供花千骨txt全集下载。


继续往下看,发现是最新章节板块,然后便是全书的所有目录。我们分析的对象便是全书所有目录。点开其中一个目录,我们便可以都看到正文内容。



按F12打开审查元素菜单。可以看到网页前端的内容都包含在这里。



我们的目的是要找到所有目录的对应链接地址,爬取每个地址中的文本内容。


有耐心的朋友可以在里面找到对应的章节目录内容。有一个简便方法是点击审查元素中左上角箭头标志的按钮,然后选中相应元素,对应的位置就会加深显示。



这样我们可以看到,每一章的链接地址都是有规则地存放在<li>中。而这些<li>又放在<div id=”book_detail” class=”box1″>中。



我不停地强调“我们的目的”是要告诉大家,思路很重要。爬虫不是约pao,蒙头就上不可取。


3.单章节爬虫



刚才已经分析过网页结构。我们可以直接在浏览器中打开对应章节的链接地址,然后将文本内容提取出来。



我们要爬取的内容全都包含在这个<div>里面。


代码整理如下:


from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == __main__:

    # 第8章的网址

    url = http://www.136book.com/huaqiangu/ebxeew/

    head = {}

    # 使用代理

    head[User-Agent] = Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    # 创建request对象

    soup = BeautifulSoup(html, lxml)

    # 找出div中的内容

    soup_text = soup.find(div, id = content)

    # 输出其中的文本

    print(soup_text.text)


运行结果如下:



这样,单章节内容爬取就大功告成了。


4.小说全集爬虫


单章节爬虫我们可以直接打开对应的章节地址解析其中的文本,全集爬虫我们不可能让爬虫程序在每章节网页内中跑一遍,如此还不如复制、粘贴来的快。


我们的思路是先在目录页中爬取所有章节的链接地址,然后再爬取每个链接对应的网页中的文本内容。说来,就是比单章节爬虫多一次解析过程,需要用到Beautiful Soup遍历文档树的内容。


1.解析目录页


在思路分析中,我们已经了解了目录页的结构。所有的内容都放在一个所有的内容都放在一个<div id=”book_detail” class=”box1″>中。



这儿有两个一模一样的<div id=”book_detail” class=”box1″>。


第一个<div>包含着最近更新的章节,第二个<div>包含着全集内容。


请注意,我们要爬取的是第二个<div>中的内容。


代码整理如下:


from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == __main__:

    # 目录页

    url = http://www.136book.com/huaqiangu/

    head = {}

    head[User-Agent] = Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    # 解析目录页

    soup = BeautifulSoup(html, lxml)

    # find_next找到第二个<div>

    soup_texts = soup.find(div, id = book_detail, class_box1).find_next(div)

    # 遍历ol的子节点,打印出章节标题和对应的链接地址

    for link in soup_texts.ol.children:

        if link != \n:

            print(link.text + :  , link.a.get(href))


执行结果如图:



2.爬取全集内容


将每个解析出来的链接循环代入到url中解析出来,并将其中的文本爬取出来,并且写到本地F:/huaqiangu.txt中。


代码整理如下:


from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == __main__:

    url = http://www.136book.com/huaqiangu/

    head = {}

    head[User-Agent] = Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    soup = BeautifulSoup(html, lxml)

    soup_texts = soup.find(div, id = book_detail, class_box1).find_next(div)

    # 打开文件

    f = open(F:/huaqiangu.txt,w)

    # 循环解析链接地址

    for link in soup_texts.ol.children:

        if link != \n:

            download_url = link.a.get(href)

            download_req = request.Request(download_url, headers = head)

            download_response = request.urlopen(download_req)

            download_html = download_response.read()

            download_soup = BeautifulSoup(download_html, lxml)

            download_soup_texts = download_soup.find(div, id = content)

            # 抓取其中文本

            download_soup_texts = download_soup_texts.text

            # 写入章节标题

            f.write(link.text + \n\n)

            # 写入章节内容

            f.write(download_soup_texts)

            f.write(\n\n)

    f.close()


执行结果显示 [Finished in 32.3s] 。


打开F盘查看花千骨文件。



爬虫成功。备好纸巾,快快去感受尊上和小骨的虐恋吧。


5.总结


代码还有很多改进的地方。例如文本中包含广告的js代码可以去除,还可以加上爬虫进度显示等等。实现这些功能需要包含正则表达式和os模块知识,就不多说了,大家可以继续完善。


来源:segmentfault.com/a/1190000010895903



-----这里是数学思维的聚集地------

超级数学建模”(微信号supermodeling),每天学一点小知识,轻松了解各种思维,做个好玩的理性派。50万数学精英都在关注!


首页 - 超级数学建模 的更多文章: