python爬虫学习01--电子书爬取

python爬虫学习01--电子书爬取

1.获取网页信息

import requests        #导入requests库
'''
获取网页信息
'''
if __name__ == '__main__':          #主函数入口
    target = 'https://www.xsbiquge.com/78_78513/108078.html'#要爬取的目标地址
    req = requests.get(url=target)  #进行get请求
    req.encoding='utf-8'            #设置编码
    print(req.text)                 #打印输出

2.引入BeautifulSoup对网页内容进行解析

import requests        #导入requests库
from bs4 import BeautifulSoup  #引入BeautifulSoup库

'''
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息
'''
if __name__ == '__main__':          #主函数入口
    target = 'https://www.xsbiquge.com/78_78513/108078.html'#要爬取的目标地址
    req = requests.get(url=target)  #发起请求，获取html信息
    req.encoding='utf-8'            #设置编码
    html = req.text                 #将网页的html信息保存在html变量中
    bs = BeautifulSoup(html,'lxml') #使用lxml对网页信息进行解析
    texts = bs.find('div',id='content') #获取所有<div id = "content">的内容
    print(texts)                            #打印输出

3.切分数据，去掉空格，提取文字

import requests        #导入requests库
from bs4 import BeautifulSoup  #引入BeautifulSoup库

'''
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息
最后一句texts.text 是提取所有文字，然后再使用 strip 方法去掉回车，
最后使用 split 方法根据 xa0 切分数据，因为每一段的开头，都有四个空格
'''
if __name__ == '__main__':          #主函数入口
    target = 'https://www.xsbiquge.com/78_78513/108078.html'#要爬取的目标地址
    req = requests.get(url=target)  #发起请求，获取html信息
    req.encoding='utf-8'            #设置编码
    html = req.text                 #将网页的html信息保存在html变量中
    bs = BeautifulSoup(html,'lxml') #使用lxml对网页信息进行解析
    texts = bs.find('div',id='content') #获取所有<div id = "content">的内容
    print(texts.text.strip().split('xa0'*4))                            #打印输出

4.查看章节列表

import requests        #导入requests库
from bs4 import BeautifulSoup  #引入BeautifulSoup库

'''
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

'''
if __name__ == '__main__':          #主函数入口
    target = 'https://www.xsbiquge.com/78_78513/'#要爬取的目标地址,《元尊》的章节目录网址
    req = requests.get(url=target)      #发起请求，获取html信息
    req.encoding='utf-8'                #设置编码
    html = req.text                     #将网页的html信息保存在html变量中
    bs = BeautifulSoup(html,'lxml')     #使用lxml对网页信息进行解析
    chapters = bs.find('div',id='list') #获取所有<div id = "list">的内容
    chapters = chapters.find_all('a')         #找到list中的a标签中的内容
    for chapter in chapters:
        print(chapter)                  #打印章节列表

5.获取章节目录和章节链接

import requests        #导入requests库
from bs4 import BeautifulSoup  #引入BeautifulSoup库

'''
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

'''
if __name__ == '__main__':          #主函数入口
    server = 'https://www.xsbiquge.com'
    target = 'https://www.xsbiquge.com/78_78513/'#要爬取的目标地址,《元尊》的章节目录网址
    req = requests.get(url=target)      #发起请求，获取html信息
    req.encoding='utf-8'                #设置编码
    html = req.text                     #将网页的html信息保存在html变量中
    bs = BeautifulSoup(html,'lxml')     #使用lxml对网页信息进行解析
    chapters = bs.find('div',id='list') #获取所有<div id = "list">的内容
    chapters = chapters.find_all('a')         #找到list中的a标签中的内容
    for chapter in chapters:
        url = chapter.get('href')       #获取章节链接中的href
        print("《"+chapter.string+"》")           #打印章节名字
        print(server+url)               #将电子书网站与获取到的章节连接进行拼接，得到每一个章节的链接

6.整合数据，下载电子书文档

import requests        #导入requests库
from bs4 import BeautifulSoup  #引入BeautifulSoup库
import time
from tqdm import  tqdm


'''
查看章节列表信息
引入BeautifulSoup对网页内容进行解析
获取网页电子书文本信息

'''
def get_content(target):
    req = requests.get(url=target)  # 发起请求，获取html信息
    req.encoding = 'utf-8'  # 设置编码
    html = req.text  # 将网页的html信息保存在html变量中
    bf = BeautifulSoup(html, 'lxml')  # 使用lxml对网页信息进行解析
    texts = bf.find('div', id='content')  # 获取所有<div id = "content">的内容
    content = texts.text.strip().split('xa0' * 4)
    return content


if __name__ == '__main__':          #主函数入口
    server = 'https://www.xsbiquge.com'     #电子书网站地址
    book_name = '《元尊》.txt'
    target = 'https://www.xsbiquge.com/78_78513/'#要爬取的目标地址,《元尊》的章节目录网址
    req = requests.get(url=target)      #发起请求，获取html信息
    req.encoding='utf-8'                #设置编码
    html = req.text                     #将网页的html信息保存在html变量中
    chapter_bs = BeautifulSoup(html,'lxml')     #使用lxml对网页信息进行解析
    chapters = chapter_bs.find('div',id='list') #获取所有<div id = "list">的内容
    chapters = chapters.find_all('a')         #找到list中的a标签中的内容
    for chapter in tqdm(chapters):
        chapter_name = chapter.string           #章节名字
        url = server + chapter.get('href')       #获取章节链接中的href
        content = get_content(url)
        with open(book_name,'a',encoding='utf-8') as f:
            f.write("《"+chapter_name+"》")
            f.write('
')
            f.write('
'.join(content))
            f.write('
')

ps:下载的时候可能会有点慢，下载一本书大概十几分钟，在以后学到新的方法会改善的