- 需求:要爬取某个小说所有章节的网址,再通过爬虫将每一章的内容爬取下来,再本地创建一个文件夹,并且把小说分别保存到这个文件夹中。每一章保存为一个文件。
- 思路:首先是再网址里面获取每一章节的链接,再解析每一个章节的链接中获得文章的标题以及内容,之后再存储。
- 代码如下所示:
import re
import os
import requests
def get_toc(html):
"""
获取每一章的连接存储到一个列表中并返回
:param html:目录页源代码
:return:每章节链接
"""
toc_url_list = []
start_url = 'https://www.kanunu8.com/book3/6879/'
toc_block = re.findall('正文(.*?)</tbody>', html, re.S)[0]
toc_url = re.findall('href="(.*?)"', toc_block, re.S)
for url in toc_url:
toc_url_list.append(start_url + url)
return toc_url_list
def get_article(html):
"""
获取每一章的正文并返回章节名和正文
:param html:正文源代码
:return:章节名,正文
"""
chapter_name = re.search('size="4">(.*?)<', html, re.S).group(1)
text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)
text_block = text_block.replace('<br />', '')
text_block = re.sub('\r\n\r\n', '\r\n', text_block)
return chapter_name, text_block
def save(chapter, article):
"""
将每一章保存到本地。
:param chapter:章节名,第X章
:param article:正文内容
:return:None
"""
os.makedirs('文件名称', exist_ok=True)
with open(os.path.join('文件名称', chapter + '.txt'), 'w', encoding='utf-8') as f:
f.write(article)
html_html = requests.get('目标网址').content.decode('gbk')
strs = get_toc(html_html)
for i in strs:
html_each = requests.get(i).content.decode('gbk')
save(get_article(html_each)[0], get_article(html_each)[1])
- 以上代码仅供参考,我爬取的网站为:https://www.kanunu8.com/book3/6879/