python实现爬取小说网站文本

简单记录一次python爬取某小说网站小说的操作

#!/usr/bin/python
# -*- coding:utf-8 -*-
import urllib.request
import re
# html = urllib.request.urlopen("https://xiaoshuo.net/0/745/")
# data = html.read()

#print(data)
# def getUrl(urlData):
#     print("test")
#     r = r"[a-zA-Z]+://[^\s]*.html"
#     pat = re.compile(r)
#     urls = re.findall(pat,str(urlData))
#     print(urls)
#
# getUrl(data)

from lxml.html import fromstring
from bs4 import BeautifulSoup
import urllib.request
import requests
import time

#给定网址和标题
def getContent(url,title):
    # html = urllib.request.get(url)
    # data = html.read().decode()
    # print(url)
    first = requests.get(url)
    if first.status_code!=200:
        time.sleep(3)       #网站服务器可能不行，请求失败就隔3s请求
        getContent(url,title)
        return
    data = first.content    #网页内容
    soup = BeautifulSoup(data, "html.parser") #多种解析器，这里选这个就够用了
    # print(soup.prettify())
    content = soup.find_all("div", attrs={"id": "content"})
    # filename = title + ".txt"
    filename = "文件名称.txt"   #文件名称，自己改
    filea = open(filename, "a", encoding='utf-8')  #追加，把每一章合并成一个txt

    print(title,file=filea)     #输出到文件的内容
    print(content, file=filea)
    print("",file=filea)

    print(url + " " + title + " 下载保存完毕") #提示该章下载完毕
    return

def getTitles(url):
    data = requests.get(url).content

    soup = BeautifulSoup(data, "html.parser")
    head = "https://xiaoshuo.net"
    middle = "/17/17225/"       #应该自动截取，但是本来就简单，根据需要写死就行了。
    titles = soup.find_all("a")
    # print(titles)
    for title in titles:
        str1 = str(title)
        if str1.find(middle) != -1:
            if str1.find("https")!= -1:     #过滤一下网页的链接
                continue
            elem = fromstring(str1)
            url = head + elem.attrib["href"]    #这些处理都是根据网页结构弄的
            text = elem.text
            getContent(url, text)
            time.sleep(2)       #脆弱的服务器，不能接收过多过快请求
getTitles("https://xiaoshuo.net/17/17225/")	#网址肯定是需要自己改的
#下载完毕，需要自行处理一些格式上的问题，还有编码问题

要实现网页访问，方法也很多，针对这个静态网站，感觉简单的request.get就可以了。

还有就是我用的pycharm运行，开着fiddler好像有什么代理错误，所以还是关闭系统代理服务器下载吧。