至于我为什么发这么火，原因如下：

1. 朋友的小说全部放在文件夹中，就是一章一个text文本， 没有目录的存在，而且目录章节混乱，我大致看了下，第五章就跳到第七章了， 中间的不知道怎么没了。
2. 打开小说一看， 密密麻麻挤着一起，没有一点段落感，而且还有一些html代码，没有处理干净，最重要的，居然还有一大批网址在里面，简直就是不走心
3. 第三，爬取的小说根本就不能算一整本，我看了一下文件数量，足足少了二十多章，我评价到看个鬼，你自己看看能不能行 ！
4. 朋友看完，自己也很无语，至于他为什么会出现这种情况，我想很多爬虫新手们，都会出现这样的情况，而且这些问题都是出自细节中，新手们，不怎么会考虑周到，那么既然朋友也出现了这样的问题，他让我帮他改改，于是改完之后，我写下这篇博客，让更多人真正的爬小说，而不是爬一坨屎，自己都看不下去的那种坨屎！！！！

解决方案如下：

这一期还是做一个干货分享，都是我半年以来的爬虫经验，需要教学可以私聊我，在校学生还是需要一点经济支持的！

如何产生章节：

自己问自己，有多少人爬取小说是这样的，你自己能看吗？

写代码的时候大部分人是这样的

with open('**.text', 'w') as fw:fw.write(r.text)

关于文件的写入， ‘w’ 的方式 是覆盖写， 没有就创建， 那么我们写小说就不需要用这个， 使用‘a’ 追加写的模式， 然后添加适当的分隔符， 只有文本中添加目录， 整个txt在手机中才会显示出目录的存在 ，我的实例如下： 最好加点文字提示， 代表这章节下载成功到总txt中 !

path = 'D://爬取小说//'        os.chdir(path)  # 进入这个文件夹        with open('酒神.txt', 'a+', encoding='utf-8') as fw:            fw.write(''.join(items['title']) + '' + '- ' * 40)            fw.write(''.join(items['text']))        print(f'{items["title"]} 下载完成！')

如何章节顺序稳定：

一般我们都是从目录url 中， 去获取我们需要的章节网址， 这里拿我爬取的网址实例：

这里我们就能获取所有章节的网址了， 只要进行适当的拼接处理， 那么很多人就舒服了，直接获取整个url列表， 直接返回给调用函数， 舒服吧？ 你电脑不舒服， 关于return 和 yield 你真的懂吗？ 如果你请求的网址很多， 一定时间请求次数过多，就容易丢失网址，我想大部分人都是返回列表，然后遍历列表吧？ 万一丢了一个章节网址呢？ 是不是就会出现章节混乱的情况，使用yield 就不需要考虑这么多因素了， 它可以直接调用一次返回一次，有效的避免了可能的因素， 我觉得很好用， 我也推荐使用， 不是所有的返回都是用return！！！

示例如下：

page_url = html.xpath('//div[@id="list"]/dl/dd/a/@href')            for url in page_url[222:]:                url = f'http://www.biquge.info/11_11079/{url}'                yield url

如何保证文字的处理：

爬取小说这样的文字量很多的情况下， 文字的处理显得极为重要了，爬取小说不推荐使用正则re，也不推荐使用soup， 原因你获取不了网页自带的换行符和缩进符， 比如 xboo 之类的， 如果你获取不了文本自带的这些，那么你就得自己添加，可以使用re的sub进行适当的替换换行，这就很麻烦，这里一定推荐使用xpath的text() 去匹配， 方便快捷，爬小说的小助手！

示例如下：

text = html.xpath('//div[@id="content"]/text()')

非常的简单， 而且xpath的匹配非常的快，不会的朋友一定要学，soup真的不推荐，大工程起来真的慢！

如何应对ip限制等因素：

他在爬小说的时候，也出现了这样的问题，在一个urls列表中， 竟然有的能请求成功， 有的不能请求成功， 明明都是网址没有错， 我也能打得开，但就是出现了这样的bug，很闹腾，但是后面我还是修复了。

bug 出现 ： 所有的网址 一定是正确的， 我可以确保。

为什么会出现这样的情况，高频发的请求网址，如果不是使用框架， 那么就需要设置延迟时间了。比如sleep() 或者 request 加入参数 timeout ，不然很容易被网址通过请求次数 进而识别出来 这是一个爬虫程序， 也就是非人类操作， 那么他就可以不让你请求，从而你就爬虫失败！

这样搞：

多次请求，模块分离，你搞我， 我也可以搞你！

将获取文本的函数 分离出来， 在parse_page 进行三次判断，失败就回溯，三次回溯，实测，请求被挡住的概率大幅降低。这是一个不错的方法， 当然， 还需要加入 sleep()， 来控制代码的延迟时间。

    def parse_page_error(self, r):        # 为处理异常：        r.encoding = r.apparent_encoding        html = etree.HTML(r.text)        title = html.xpath('//div[@class="bookname"]/h1/text()')        text = html.xpath('//div[@id="content"]/text()')        items = {}        items['title'] = title        items['text'] = text        self.save_text(items)    def parse_page(self):        """        分析每一章节  然后下载, 次数过快 容易炸ip 三次保底请求 ！        """        for url in self.get_page():            r = requests.get(url, headers=self.headers)            time.sleep(0.7)            if r.status_code == 200:                self.parse_page_error(r)            else:                print(f'该 {url}未下载成功！ 再次请求')                rr = requests.get(url, headers=self.headers)                if rr.status_code == 200:                    self.parse_page_error(rr)                else:                    print("第三次请求！")                    rrr = requests.get(url, headers=self.headers)                    self.parse_page_error(rrr)        print('全部下载完成！')

这一期干货就到此为此， 主要还是满足自己的需求，2020年了，看小说还不会爬虫，你有多捞！

爬虫全程序：

# -*- coding :  utf-8 -*-# @Software  :  PyCharm# @CSDN      :  https://me.csdn.net/qq_45906219import requestsfrom lxml import etreeimport osimport timeclass Spider:    def __init__(self):        self.start_url = 'http://www.biquge.info/11_11079/'        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '                                      'AppleWebKit/537.36 (KHTML, like Gecko)'                                      ' Chrome/81.0.4044.129 Safari/537.36',                        'Host': 'www.biquge.info',                        'Referer': 'http://www.biquge.info/11_11079/5216668.html',                        'Cookie': 'clickbids=11079; Hm_lvt_6dfe3c8f195b43b8e667a2a2e5936122=1591085546;'                                  ' Hm_lvt_c979821d0eeb958aa7201d31a6991f34=1591085539,1591085553,1591085815; '                                  'Hm_lpvt_6dfe3c8f195b43b8e667a2a2e5936122=1591087376; '                                  'Hm_lpvt_c979821d0eeb958aa7201d31a6991f34=1591087377'}    def get_page(self):        """        获得每一章节的网址        yield 回去        """        r = requests.get(self.start_url, headers=self.headers)        if r.status_code == 200:            r.encoding = r.apparent_encoding            html = etree.HTML(r.text)            page_url = html.xpath('//div[@id="list"]/dl/dd/a/@href')            for url in page_url[222:]:                url = f'http://www.biquge.info/11_11079/{url}'                yield url    def save_text(self, items):        """        根据章节下载'        """        path = 'D://爬取小说//'        os.chdir(path)  # 进入这个文件夹        with open('酒神.txt', 'a+', encoding='utf-8') as fw:            fw.write(''.join(items['title']) + '' + '- ' * 40)            fw.write(''.join(items['text']))        print(f'{items["title"]} 下载完成！')    def parse_page_error(self, r):        # 为处理异常：        r.encoding = r.apparent_encoding        html = etree.HTML(r.text)        title = html.xpath('//div[@class="bookname"]/h1/text()')        text = html.xpath('//div[@id="content"]/text()')        items = {}        items['title'] = title        items['text'] = text        self.save_text(items)    def parse_page(self):        """        分析每一章节  然后下载, 次数过快 容易炸ip 三次保底请求 ！        """        for url in self.get_page():            r = requests.get(url, headers=self.headers)            time.sleep(0.7)            if r.status_code == 200:                self.parse_page_error(r)            else:                print(f'该 {url}未下载成功！ 再次请求')                rr = requests.get(url, headers=self.headers)                if rr.status_code == 200:                    self.parse_page_error(rr)                else:                    print("第三次请求！")                    rrr = requests.get(url, headers=self.headers)                    self.parse_page_error(rrr)        print('全部下载完成！')jiushen = Spider()jiushen.parse_page()

这样学会了吧！视频教程，完整打包好，后台私信小编 源码 即可获取