文章目录
- 一、环境依赖
- 二、实现
- 1. 基本原理
- 2. selenium代码
- 3. requests+pyquery实现代码
- 4. 总结
- 一些问题
- 三、源码下载
一、环境依赖
安装requests,selenium,pyquery模块,并下载chromedriver,配置好环境。
#python3
pip install requests selenium pyquery
我的selenium配置笔记
#如果用browser = webdriver.Chrome()报错,可以尝试以下命令
options = webdriver.ChromeOptions()
options.add_argument('--disable-extensions')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
options.add_argument('--no-sandbox')
options.add_argument("window-size=1024,768")
browser = webdriver.Chrome(options=options)#镜像文件,根据chrome版本对应下载chromedriver
http://npm.taobao.org/mirrors/chromedriver/
sudo mv chromedriver /usr/bin
二、实现
1. 基本原理
因为http://www.tadu.com/存在JS渲染问题,直接用requests.get()并不能爬取到小说内容,并且请求时必须加上headers,也就是User-Agent,用于骗过反爬措施。
某一章节,切换到preview,见下图
可以看到并没有章节内容,如果直接请求某一章节的url并不能得到我们想要东西。
解决这类问题,有两种办法,一是用selenium(可以模拟浏览器),这样就能得到所有完整的源代码;二是用继续分析,看看在哪里请求的章节内容,如果能找到正确url就解决问题了。
2. selenium代码
# -*- coding: utf-8 -*-
__author__ = 'wardseptember'
__date__ = '19-01-27'import requests
import os
from pyquery import PyQuery as pq
import time
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By# from selenium.webdriver.support.ui import WebDriverWait
# from selenium.webdriver.support import expected_conditions as EC'''
爬取塔读文学(http://www.tadu.com)上的小说
此例子爬取"聊斋志异"
'''#如果想爬取其他书籍只需更改bookUrl
bookUrl = 'http://www.tadu.com/book/catalogue/735'
chapterDict = {}
bookName = ''
headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/71.0.3578.98 Safari/537.36'
}
browser = webdriver.Chrome() # 启动浏览器,可以发现弹出一个浏览器# 获取所有章节标题和链接
def getChapterDict(url):try:html = requests.get(url, timeout=100, headers=headers)html.encoding = html.apparent_encodingcontent = html.contentdoc = pq(content)global bookNamebookName = doc('#container .right .book-detail.catalog-tip h1 a').text()items = doc('#container .right .detail-chapters ul li h5 a').items()for item in items:chapterDict[item.text().strip()] = 'http://www.tadu.com' + item.attr('href')except Exception as e:print(str(e))def getChapter(chapterUrl):# 获取网页内容try:browser.get(chapterUrl)time.sleep(3)# 等网页加载完成,才能获得text,继续向下进行text = browser.find_element(By.CSS_SELECTOR, '.main_ .text-content-.f-l .article_.c-3').text# 处理所的内容,使其更整洁text = text.replace('\n', '\n\n ')text = ' ' + textreturn textexcept Exception as e:print(str(e))return " "# 写入txt文件
def writeToTxt():global bookNamebookName = bookName + '.txt'with open(bookName, 'w', encoding='utf-8') as f:f.close()try:for chapterName, value in chapterDict.items():text = getChapter(value)with open(bookName, 'a', encoding='utf-8') as f:f.write(chapterName + '\n\n\n')f.write(text + '\n')print(bookName[:-4] + ':' + chapterName + '-->写入成功')f.close()print("所有章节写入完成")except Exception as e:print(str(e))def main():getChapterDict(bookUrl)writeToTxt()browser.close()if __name__ == '__main__':main()
运行截图
3. requests+pyquery实现代码
继续上面所说,既然JS渲染使我们不能直接get到章节内容,那么就去找渲染的内容。
在preview下逐个查看url,可以看到,这个比较长的名字就是我们所要的内容。
切换到Headers,可以看到url
在切换到elements,ctrl+f可以全局搜索,输入刚才url,如e5cb3bfe508be412d823e0590090bd86或着http://m.tadu.com/_book_part/e5cb3bfe508be412d823e0590090bd86
结果如下
那么我们直接解析到这个value的值接解决问题了,现在我们访问一下http://m.tadu.com/_book_part/e5cb3bfe508be412d823e0590090bd86
如图
这就是我们想要的东西,乱码不要紧,utf-8编码一下就行了。
下面上代码
# -*- coding: utf-8 -*-
__author__ = 'wardseptember'
__date__ = '19-01-27'import requests
import os
from pyquery import PyQuery as pq
import time'''
爬取塔读文学(http://www.tadu.com)上的小说
此例子爬取"聊斋志异"
'''bookUrl='http://www.tadu.com/book/catalogue/735'
chapterDict={}
bookName=''
headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/71.0.3578.98 Safari/537.36'
}def getChapterDict(url):try:html = requests.get(url, timeout=100,headers=headers)html.encoding = html.apparent_encodingcontent = html.contentdoc = pq(content)global bookNamebookName=doc('#container .right .book-detail.catalog-tip h1 a').text()items=doc('#container .right .detail-chapters ul li h5 a').items()for item in items:chapterDict[item.text().strip()]='http://www.tadu.com'+item.attr('href')except Exception as e:print(str(e))def getChapter_2(chapterUrl):try:html=requests.get(chapterUrl,timeout=100,headers=headers)html.encoding=html.apparent_encodingcontent=html.contentdoc=pq(content)textUrl=doc('body #bookPartResourceUrl').attr('value')htmlTxt=requests.get(textUrl,timeout=100,headers=headers)con=htmlTxt.contenthtmlstr=con.decode('utf-8')[19:-3]doc_2=pq(htmlstr)items=doc_2('p').items()text=' 'for item in items:text=text+item.text()+'\n'text = text.replace('\n', '\n\n ')return textexcept Exception as e:print(str(e))return " "def writeToTxt():global bookNamebookName=bookName+'.txt'with open(bookName, 'w', encoding='utf-8') as f:f.close()try:for chapterName,value in chapterDict.items():text=getChapter_2(value)with open(bookName,'a',encoding='utf-8') as f:f.write(chapterName+'\n\n\n')f.write(text+'\n')print(bookName[:-4]+':'+chapterName+'-->写入成功')f.close()print("所有章节写入完成")except Exception as e:print(str(e))def main():getChapterDict(bookUrl)writeToTxt()if __name__=='__main__':main()
运行截图
4. 总结
测试后可以发现,第一种方法比第二种慢一点,可以自行选择所用方法。
一些问题
- 因为用字典存章节名和链接,遍历字典时得到的内容不是按顺序的,不过对聊斋志异没有影响。可以用列表分别存储,或者用yield处理解决这个问题。
- 其他没什么问题。欢迎优化斧正代码。
三、源码下载
我所写的python爬虫代码都托管在github上,欢迎star,谢谢。
另外个人博客同步更新。