Python3 爬虫 requests+BeautifulSoup4(BS4) 爬取小说网站数据

news/2024/4/27 20:58:43/文章来源:https://blog.csdn.net/weixin_33912638/article/details/88691365

刚学Python爬虫不久，迫不及待的找了一个网站练手，新笔趣阁：一个小说网站。

前提准备

安装Python以及必要的模块（requests，bs4），不了解requests和bs4的同学可以去官网看个大概之后再回来看教程

爬虫思路

刚开始写爬虫的小白都有一个疑问，进行到什么时候爬虫还会结束呢？答案是：爬虫是在模拟真人在操作，所以当页面中的next链接不存在的时候，就是爬虫结束的时候。

1.用一个queue来存储需要爬虫的链接，每次都从queue中取出一个链接，如果queue为空，则程序结束
2.requests发出请求，bs4解析响应的页面，提取有用的信息，将next的链接存入queue
3.用os来写入txt文件

具体代码

需要把域名和爬取网站对应的ip 写入host文件中，这样可以跳过DNS解析，不这样的话，代码运行一段时间会卡住不动

'''
抓取新笔趣阁https://www.xbiquge6.com/单个小说
爬虫线路： requests - bs4 - txt
Python版本： 3.7
OS： windows 10
'''
import requests
import time
import sys
import os
import queue
from bs4 import BeautifulSoup 
# 用一个队列保存url
q = queue.Queue()
# 首先我们写好抓取网页的函数
def get_content(url):try:headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36',}r = requests.get(url=url, headers=headers)r.encoding = 'utf-8'content = r.textreturn contentexcept:s = sys.exc_info()print("Error '%s' happened on line %d" % (s[1], s[2].tb_lineno))return " ERROR "# 解析内容
def praseContent(content):soup = BeautifulSoup(content,'html.parser')chapter = soup.find(name='div',class_="bookname").h1.textcontent = soup.find(name='div',id="content").textsave(chapter, content)next1 = soup.find(name='div',class_="bottem1").find_all('a')[2].get('href')# 如果存在下一个章节的链接，则将链接加入队列if next1 != '/0_638/':q.put(base_url+next1)print(next1)
# 保存数据到txt
def save(chapter, content):filename = "修罗武神.txt"f =open(filename, "a+",encoding='utf-8')f.write("".join(chapter)+'\n')f.write("".join(content.split())+'\n') f.close# 主程序
def main():start_time = time.time()q.put(first_url)# 如果队列为空，则继续while not q.empty():content = get_content(q.get())praseContent(content)end_time = time.time()project_time = end_time - start_timeprint('程序用时', project_time)# 接口地址
base_url = 'https://www.xbiquge6.com'
first_url = 'https://www.xbiquge6.com/0_638/1124120.html'
if __name__ == '__main__':main()