python從爬蟲基礎到爬取網絡小說實例

本文轉載自查看原文 2018-11-22 02:57 2713 學習心得/ 實例

一.爬蟲基礎

1.1 requests類

　　1.1.1 request的7個方法

requests.request() 實例化一個對象,擁有以下方法

requests.get(url, *args)

requests.head() 頭信息

requests.post()

requests.put()

requests.patch() 修改一部分內容

requests.delete()

url = "http://quanben5.com/n/doupocangqiong/6.html"

headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"
}

r = requests.get(url, headers=headers)

data = {
"pinyin": "doupocangqiong",
"content_id": "4",
}

r = requests.post(url, data=data, headers=headers)

　　1.1.2*arg里面的參數

params 字典或者字節序列,作為參數增加到url中
data 字典字節序列文件對象, 放在url里面對應的地方
json 作為requests的內容
headers 字典模擬服務頭
cookies 字典 cookieJar
auth 元組
files 字典類型,傳輸文件
timeout 設定的超時時間
proxies 字典類型,設定訪問代理服務器,可以增加登錄認證 pxs={"http":"http://user:pass@10.10.1.1234"}
allow_redirects 默認True 是否允許重定向
stream 默認TRUE 獲得數據立刻下載
verity 默認True 認證SSL證書開關
cert 本地SSL證書路徑

1.2 BeautifulSoup類

soup = BeautifulSoup("","html.parser")

soup.prettify()

soup.find_all(name, attrs, recursive, string, **kwargs)

name: 標簽名稱
attrs: 屬性
string: 檢索字符串
soup.head

soup.head.contents 列表
soup.body.contents[1]
soup.body.children
soup.body.descendants
.parent

.parents
.next_sibling 下一個
.previous_sibling 上一個
.next_siblings 下一個所有 迭代
.previous_siblings 上一個所有

1.3 selenium

 1 from selenium import webdriver
 2 from selenium.webdriver.chrome.options import Options
 3 import time
 4 
 5 
 6 chrome_options = Options()
 7 chrome_options.add_argument('--headless')
 8 chrome_options.add_argument('--disable-gpu')
 9 
10 d = webdriver.Chrome(chrome_options=chrome_options)  # 設置成不顯示瀏覽器的模式
11 d.get('http://quanben5.com/n/dazhuzai/23241.html')
12 time.sleep(2)
13 print(d.page_source)  # 顯示出的是加載完之后的內容

查找單個和多個元素

d.find_element_by_id

d.find_elements_by_id

元素交互

from selenium import webdriver

d = webdriver.Chrome()
d.get('http://www.baidu.com')
inputText = d.find_element_by_id("kw")
inputText.send_keys("蘿莉")
button = d.find_element_by_id("su")
button.click()

二.實戰

首先要找到可以在線看小說的網頁

這里我隨便百度了一下,首先選擇了一個全本5200小說網("https://www.qb5200.tw")

打開某小說章節目錄表

https://www.qb5200.tw/xiaoshuo/0/357/

查看源代碼

發現正文卷是在class為listmain的div下面的第二個dt標簽里

之后的路徑標簽為a

1     url_text = soup.find_all('div', 'listmain')[0]  # 找到第一個class=listmain的div標簽
2     main_text = url_text.find_all('dt')[1]  # 找到下面的第二個dt標簽
3     for tag in main_text.next_siblings:
4         try:
5             url = ''.join(['https://', host, tag.a.attrs['href']])
6             print('parsering', url)
7         except:
8             continue

找到每個章節的url

在隨便打開一章

查看源代碼為:

 1 def getHTMLText(url, headers={}):
 2     """
 3     獲取網站源碼
 4     :param url:
 5     :return: class response
 6     """
 7     if headers != {}:
 8         headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"}
 9 
10     # proxies = get_random_ip()
11     proxies = {}
12     try:
13         # print("start", url)
14         r = requests.get(url, proxies=proxies, headers=headers)
15         r.raise_for_status()
16         # r.encoding = r.apparent_encoding
17         # print('end', url)
18         return r
19     except:
20         return r.status_code
21 
22 def parseByQB5200(soup, host, f):
23     """
24     在全本小說網的源碼下爬取小說
25     :param soup, host: 
26     :param f: 
27     :return: 
28     """
29     url_text = soup.find_all('div', 'listmain')[0]
30     main_text = url_text.find_all('dt')[1]
31     x = 0
32     for tag in main_text.next_siblings:
33         time.sleep(1)
34         try:
35             url = ''.join(['https://', host, tag.a.attrs['href']])
36             print('parsering', url)
37             soup = BeautifulSoup(getHTMLText(url).text, "html.parser")
38             passage = soup.find_all("div", "content")[0]
39             title = passage.h1.string
40             f.writelines(''.join([title, '\n']))
41             passage = soup.find_all("div", "showtxt")[0]
42             for i in passage.descendants:
43                 if i.name != "br":
44                     st = i.string
45                     if st.strip().startswith('http') or st.strip().startswith('請記住本書'):
46                         continue
47                     f.writelines(''.join(['  ', st.strip(), '\n']))
48             x += 1
49             print('%d.%s 下載完成' % (x, title))
50         except:
51             continue
52 
53 def getNovelUrls(url):
54     """
55     通過小說的目錄網址判斷小說所在的網站
56     並調用屬於該網站的爬蟲語句
57     :param url:
58     :return:
59     """
60 
61     response = getHTMLText(url)
62     host = url.split('//')[1].split('/')[0]
63     host_list = {
64         "www.qb5200.tw": parseByQB5200,
65         # "www.qu.la": parseByQuLa,
66         "quanben5.com": parseByQB5
67     }
68     print(response)
69     soup = BeautifulSoup(response.text, 'html.parser')
70     with open('1.txt', 'w', encoding='utf8') as f:
71         host_list[host](soup, host, f)
72 
73 if __name__ == '__main__':
74     getNovelUrls("https://www.qb5200.tw/xiaoshuo/0/357/")

在全本5200爬取小說txt

問題在於

全本小說網("www.qb5200.tw")在這樣的暴力獲取下只允許爬3次,之后就403錯誤

本來以為是同一IP限制訪問次數, 使用了IP代理之后發現問題依舊

猜測應該是跟請求頭有關

因此加上了訪問該網站時瀏覽器的所有請求頭,並且把User-Agent設置為隨機

USER_AGENT_LIST = [
        'MSIE (MSIE 6.0; X11; Linux; i686) Opera 7.23',
        'Opera/9.20 (Macintosh; Intel Mac OS X; U; en)',
        'Opera/9.0 (Macintosh; PPC Mac OS X; U; en)',
        'iTunes/9.0.3 (Macintosh; U; Intel Mac OS X 10_6_2; en-ca)',
        'Mozilla/4.76 [en_jp] (X11; U; SunOS 5.8 sun4u)',
        'iTunes/4.2 (Macintosh; U; PPC Mac OS X 10.2)',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:5.0) Gecko/20100101 Firefox/5.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:9.0) Gecko/20100101 Firefox/9.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.8; rv:16.0) Gecko/20120813 Firefox/16.0',
        'Mozilla/4.77 [en] (X11; I; IRIX;64 6.5 IP30)',
        'Mozilla/4.8 [en] (X11; U; SunOS; 5.7 sun4u)'
    ]
    headers = {"User-Agent": random.choice(USER_AGENT_LIST),
"Host": "www.qb5200.tw",
"Connection": "keep-alive",
"Pragma": "no-cache",
"Cache-Control": "no-cache",
"Upgrade-Insecure-Requests": "1",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Referer": "https://www.qb5200.tw/xiaoshuo/0/355/",
"Accept-Encoding": "gzip, deflate, br",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cookie": "UM_distinctid=16736c47b1d8b-04bd85d2b5e8ab-50422618-144000-16736c47b1e1f2; bcolor=; font=; size=; fontcolor=; width=; CNZZDATA1260750615=1497982366-1542811927-%7C1542882690; fikker-7ZUK-qXIL=qDaKEBihatSNEFgtMlGVIKubCHYLi89J; fikker-7ZUK-qXIL=qDaKEBihatSNEFgtMlGVIKubCHYLi89J; fikker-Sbwr-GN9F=GbMX3HOhwvoDMxopLMGt3VWliXQIK0SP; fikker-Sbwr-GN9F=GbMX3HOhwvoDMxopLMGt3VWliXQIK0SP; fikker-yJ3O-W61D=UfinETMnCR38ADWZEl1KNHQRU2m81Fwb; fikker-yJ3O-W61D=UfinETMnCR38ADWZEl1KNHQRU2m81Fwb; fikker-rWK3-6KHs=T9T5b7lYVJReTQviPm2IdLPyHu83RwFM; fikker-rWK3-6KHs=T9T5b7lYVJReTQviPm2IdLPyHu83RwFM"


               }

隨機請求頭

解決問題.

三.使用ajax動態加載的實例:

全本5小說網("quanben5.com")

同樣的方法搜索源代碼

然而發現了問題

給出的html頁面只有一半的源碼

因此按F12打開檢查

發現所有的文本存在這個xhr里

點擊查看請求頭信息

發現是post請求

請求的url是/index.php?c=book&a=ajax_content

請求的數據在最下面的form表單里

打開網頁源文件和js文件,搜索這些表單信息

分別在ajax.js里和源文件里找到了這些

源文件里面的可以直接生成data數據表單

在ajax.js里可以知道rndval字段是當前時間,精確到毫秒

四.優化

采用了gvent進行異步IO處理,每一張網頁保存在temp里面,最后將文件合成一個txt

加入了搜索功能,目前僅支持一個小說網站

代碼如下:

  1 #!/usr/bin/env python
  2 # encoding: utf-8
  3 
  4 """
  5 @version: 
  6 @author: Wish Chen
  7 @contact: 986859110@qq.com
  8 @file: get_novels.py
  9 @time: 2018/11/21 19:43
 10 
 11 """
 12 import gevent
 13 from gevent import monkey
 14 monkey.patch_all()
 15 import requests, time, random, re, os
 16 from bs4 import BeautifulSoup
 17 
 18 dir = os.path.dirname(os.path.abspath(__file__))
 19 
 20 def getHTMLText(url, data=[], method='get'):
 21     """
 22     獲取網站的源代碼
 23     請求默認為get
 24     :param url:
 25     :param data:
 26     :param method:
 27     :return:
 28     """
 29     headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"}
 30     proxies = {}
 31     try:
 32         # print("start", url)
 33         r = requests.request(method, url, proxies=proxies, headers=headers, data=data)
 34         r.raise_for_status()
 35         # r.encoding = r.apparent_encoding
 36         # print('end', url)
 37         return r
 38     except:
 39         return r.status_code
 40 
 41 
 42 def fetch_async(x, url):
 43     """
 44     異步IO所需要執行的操作
 45     獲取源文件
 46     模擬向ajax請求獲取完整文字
 47     每一章輸入到temp文件夾下
 48     :param x:
 49     :param url:
 50     :return:
 51     """
 52     url_main = "http://quanben5.com/index.php?c=book&a=ajax_content"
 53     r = getHTMLText(url)  # 獲取每一章的源文件
 54     title = re.search(r'<h1 class="title1">(.*)</h1>', r.text).group(1)
 55     result = re.search(r'<script type="text/javascript">ajax_post\((.*)\)</script>', r.text).group(1)
 56     num_list = result.split("','")
 57     num_list[9] = num_list[9][:-1]
 58     content = {}  # 開始模擬post請求發送的表單
 59     for i in range(1, 5):
 60         content[num_list[i * 2]] = num_list[i * 2 + 1]
 61     content['_type'] = "ajax"
 62     content['rndval'] = int(time.time() * 1000)
 63     r = getHTMLText(url_main, data=content, method='post')  # 模擬post請求
 64     soup = BeautifulSoup(r.text, "lxml")
 65     with open(os.path.join(dir, 'temp', "%s.txt" % x), "w", encoding='utf8') as f:
 66         f.writelines(''.join([str(x), '.', title, '\n\n']))
 67         for tag in soup.body.children:
 68             if tag.name == 'p':
 69                 f.writelines(''.join(['    ', tag.string.strip(), '\n\n']))
 70     print('%d.%s 下載完成' % (x, title))
 71 
 72 
 73 def get_together(name, author, x):
 74     """
 75     將temp目錄下的各網頁下載下來的txt
 76     合並在一起
 77     並刪除temp文件
 78     :param name:
 79     :param author:
 80     :return:
 81     """
 82     with open(os.path.join(dir, "%s.txt" % name), "w", encoding='utf8') as f:
 83         f.writelines(''.join([name, '\n\n作者:', author, '\n\n']))
 84 
 85         for i in range(x):
 86             try:
 87                 f.write(open(os.path.join(dir, 'temp', "%s.txt" % (i+1)), "r", encoding='utf8').read())
 88                 f.write('\n\n')
 89                 # os.remove(os.path.join(dir, 'temp', "%s.txt" % (i+1)))
 90             except:
 91                 continue
 92 
 93 
 94 def parseByQB5(response, host):
 95     """
 96     在全本5小說網的源碼下爬取小說
 97     獲得書名和作者
 98     采用gevent異步IO優化
 99     :param response:
100     :param host:
101     :return:
102     """
103     soup = BeautifulSoup(response.text, 'html.parser')
104     url_text = soup.find_all('div', 'box')[2]
105     main_text = url_text.find_all('h2')[0].next_sibling
106     url_list = []
107     for tag in main_text.descendants:
108         if tag.name == 'li':
109             url = ''.join(['http://', host, tag.a.attrs['href']])
110             url_list.append(url)
111     from gevent.pool import Pool
112     pool = Pool(100)
113 
114     gevent.joinall([pool.spawn(fetch_async, i+1, url=url_list[i]) for i in range(len(url_list))])
115 
116     name = re.search(r"<h3><span>(.*)</span></h3>", response.text).group(1)
117     author = re.search(r'<span class="author">(.*)</span></p>', response.text).group(1)
118     print("%d文檔已下載,正在合並..." % len(url_list))
119     get_together(name, author, len(url_list))
120 
121 
122 def getNovelUrls(url):
123     """
124     通過小說的目錄網址判斷小說所在的網站
125     並調用屬於該網站的爬蟲語句
126     :param url:
127     :return:
128     """
129 
130     response = getHTMLText(url)
131     host = url.split('//')[1].split('/')[0]
132     host_list = {
133         "quanben5.com": parseByQB5
134     }
135     host_list[host](response, host)
136 
137 
138 def get_url():
139     input_name = input('>>')
140     r = getHTMLText("http://quanben5.com//index.php?c=book&a=search&keywords=%s" % input_name)
141     soup = BeautifulSoup(r.text, "html.parser")
142     main_book = soup.find_all("div", "pic_txt_list")
143     for i in range(len(main_book)):
144         tag = main_book[i].h3
145         print("%s.%s %s" %(i, tag.span.text, tag.next_sibling.next_sibling.text))
146     choice = int(input(">>"))
147     if choice in range(len(main_book)):
148         return ''.join(["http://quanben5.com", main_book[choice].h3.a["href"], "xiaoshuo.html"])
149 
150 
151 if __name__ == '__main__':
152     # url_list = [
153     #     "https://www.qu.la/book/365/",
154     #     "https://www.qb5200.tw/xiaoshuo/0/357/",
155     #     "http://quanben5.com/n/doupocangqiong/xiaoshuo.html",
156     #     "http://quanben5.com/n/dazhuzai/xiaoshuo.html",
157     #     "http://quanben5.com/n/douluodalu/xiaoshuo.html",
158     #     "http://quanben5.com/n/renxingderuodian/xiaoshuo.html"
159     # ]
160     # if not os.path.exists('temp'):
161     #     os.mkdir('temp')
162     # getNovelUrls(url_list[5])
163     while True:
164         url = get_url()
165         time_start = time.time()
166         getNovelUrls(url)
167         print("成功爬取! 用時:%ds" % (int((time.time()-time_start)*100)/100))

異步IO+搜索

封裝性還不夠好

最好一個網站用一個類來封裝

采用scrapy框架

正在設計中...

五.未解決問題:

代理IP問題:

目前只有免費的代理IP網

生成隨機IP並使用代理IP訪問

多網站定制

要觀察各個網站的目錄源代碼結構以及文章源代碼結構

每一個網站都可以用一個parse函數來解析其內容

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 Python網絡爬蟲爬取網絡小說信息 python 爬取網絡小說清洗並下載至txt文件 python爬蟲之小說爬取 python爬蟲之爬取小說（一） Python基礎之爬取小說 Python實戰項目網絡爬蟲之爬取小說吧小說正文初次嘗試python爬蟲，爬取小說網站的小說。【Python3爬蟲】網絡小說更好看？十四萬條書籍信息告訴你 python爬蟲筆記（八）實例3：用Python批量爬取全站小說【以書趣閣為例】 Python3網絡爬蟲--爬取有聲小說（附源碼）