假设各位老哥已经安装好了bs4 requests这些库了
这个小说是随便挑的，各位也就不用太介意（仅供各位学习）
python3 实现，网上用python2做爬虫的太多了，但用python3的还是比较少
- 爬取的链接是
https://www.qu.la/book/12763/10664294.html - 整合文章写入
- 没有看过 步骤一 的朋友们可以点击下面的链接看看步骤一先
点击查看步骤一 - 没有看过 步骤二 的朋友们可以点击下面的链接看看步骤二先
点击查看步骤二
步骤三：整合文章写入
- 基本实现小说爬取
- 通过随机数来模拟休息时间，避免被禁
- 缺点：必须要先用一个起始文章的链接来做（这个链接无所谓，反正读取的话，就是读取这个链接的文章作为起始点）
import requests
import time
import random
from bs4 import BeautifulSoup
begin_url = "https://www.qu.la/book/12763/10664294.html"
base = begin_url[:begin_url.rindex('/')+1]
urls = [begin_url] # 初始化url池
first = True
for url in urls:
req = requests.get(url)
req.encoding = 'utf-8'
soup = BeautifulSoup(req.text, 'html.parser')
try:
content = soup.find(id='content')
title = soup.find(attrs={"class": "bookname"})
title = title.find('h1').text
except:
break
string = content.text.replace('\u3000', '').replace('\t', '').replace('\n', '').replace('\r', '').replace(
'『', '“') .replace('』', '”').replace('\ufffd', '') # 去除不相关字符
string = string.split('\xa0') # 编码问题解决
string = list(filter(lambda x: x, string))
for i in range(len(string)):
string[i] = ' ' + string[i]
if "本站重要通知" in string[i]: # 去除文末尾注
t = string[i].index('本站重要通知')
string[i] = string[i][:t]
string = '\n'.join(string)
string = '\n' + title + '\n' + string
if first:
first = False
with open('E:/Code/Python/Project/txtGet/1.txt', 'w') as f:
f.write(string)
else:
with open('E:/Code/Python/Project/txtGet/1.txt', 'a') as f:
f.write(string)
print(title+' 写入完成')
next_ = soup.find(attrs={"class": "next"})
next_url = base + next_['href']
urls.append(next_url)
time.sleep(random.randint(1, 5)) # 别访问的太快了..担心被禁hhh也别访问的太死板了
