python 爬取全本免费小说网的小说
这几天朋友说想看电子书,但是只能在网上看,不能下载到本地后看,问我有啥办法?我找了好几个小说网址看了下,你只能直接在网上看,要下载txt要冲钱买会员,而且还不能在浏览器上直接复制粘贴。之后我就想到python的爬虫不就可以爬取后下载吗?
码源下载:
https://github.com/feiquan123/GetEBook/
思路:
首先,选择网址:http://www.yznnw.com/files/article/html/1/1129/index.html 这个是全本免费小说网上《龙血战神》的网址:
F12,分析网页元素,可以看到,在此页的 .zjlist4 li a 下存放了所有章节的URL,首先我们要获取这些url放在一个数组里。然后循环遍历下载
有了这些网址后开始分析具体的每一章:
书名:
章节名:
内容:
下一章:
有了这些信息我们就可以开始爬取了(其实这里可以不爬取下一章的,主要我之前的思路是:下载小说的第一章后,返回小说的下一章,之后不断递归直到最后一页,这么做后下载速度慢,不能并发,还有就是一直递归占用资源大,一直请求服务器会断开连接,导致失败)
所以我换成了这种思路:就是先获取所有的章节的网页连接,再用线程(你也可以用进程)开始下载,果然速度上升了好多,
但是,仔细分析后发现,其实有些章节是作者的感言啥的,这些是不用下载的,而真正的章节的标题一定含有:****章*****,所以要用正则排除掉(这个要具体分析,不一定每个作者的感言标题都是这样的,不过直接使用此程序也可以,这样也没啥)
代码如下:
#coding:utf-8 import urllib import urllib.request import multiprocessing from bs4 import BeautifulSoup import re import os import timedef get_pages(url):soup=""try:# 创建请求日志文件夹if 'Log' not in os.listdir('.'):os.mkdir(r".\Log")# 请求当前章节页面 params为请求参数request = urllib.request.Request(url)response = urllib.request.urlopen(request)content = response.read()data = content.decode('gbk')# soup转换soup = BeautifulSoup(data, "html.parser")except Exception as e:print(url+" 请求错误\n")with open(r".\Log\req_error.txt",'a',encoding='utf-8') as f:f.write(url+" 请求错误\n")f.close()return soup# 通过章节的url下载内容,并返回下一页的url def get_ChartTxt(url,title,num):soup=get_pages(url)# 获取章节名称subtitle = soup.select('#htmltimu')[0].text# 判断是否有感言if re.search(r'.*?章', subtitle) is None:return# 获取章节文本content = soup.select('#htmlContent')[0].text# 按照指定格式替换章节内容,运用正则表达式content = re.sub(r'\(.*?\)', '', content)content = re.sub(r'\r\n', '', content)content = re.sub(r'\n+', '\n', content)content = re.sub(r'<.*?>+', '', content)# 单独写入这一章try:with open(r'.\%s\%s %s.txt' % (title, num,subtitle), 'w', encoding='utf-8') as f:f.write(subtitle + content)f.close()print(num,subtitle, '下载成功')except Exception as e:print(subtitle, '下载失败',url)errorPath='.\Error\%s'%(title)# 创建错误文件夹try :os.makedirs(errorPath)except Exception as e:pass#写入错误文件with open("%s\error_url.txt"%(errorPath),'a',encoding='utf-8') as f:f.write(subtitle+"下载失败 "+url+'\n')f.close()return# 通过首页获得该小说的所有章节链接后下载这本书 def thread_getOneBook(indexUrl):soup = get_pages(indexUrl)# 获取书名title = soup.select('#htmldhshuming')[0].text# 根据书名创建文件夹if title not in os.listdir('.'):os.mkdir(r".\%s" % (title))print(title, "文件夹创建成功———————————————————")# 加载此进程开始的时间print('下载 %s 的PID:%s...' % (title, os.getpid()))start = time.time()# 获取这本书的所有章节charts_url = []# 提取出书的每章节不变的urlindexUrl = re.sub(r'index.html', '', indexUrl)charts = soup.select(".zjlist4 li a")for i in charts:# print(j+i.attrs['href'])charts_url.append(indexUrl + i.attrs['href'])# 创建下载这本书的进程p = multiprocessing.Pool()#自己在下载的文件前加上编号,防止有的文章有上,中,下三卷导致有3个第一章num=1for i in charts_url:p.apply_async(get_ChartTxt, args=(i,title,num))num+=1print('等待 %s 所有的章节被加载......' % (title))p.close()p.join()end = time.time()print('下载 %s 完成,运行时间 %0.2f s.' % (title, (end - start)))print('开始生成 %s ................' %title )sort_allCharts(r'.',"%s.txt"%title)return# 创建下载多本书书的进程 def process_getAllBook(base):# 输入你要下载的书的首页地址print('主程序的PID:%s' % os.getpid())book_indexUrl=['http://www.yznnw.com/files/article/html/1/1129/index.html','http://www.yznnw.com/files/article/html/29/29931/index.html','http://www.yznnw.com/files/article/html/0/868/index.html']print("-------------------开始下载-------------------")p = []for i in book_indexUrl:p.append(multiprocessing.Process(target=thread_getOneBook, args=(i,)))print("等待所有的主进程加载完成........")for i in p:i.start()for i in p:i.join()print("-------------------全部下载完成-------------------")return #合成一本书 def sort_allCharts(path,filename):lists=os.listdir(path)# 对文件排序# lists=sorted(lists,key=lambda i:int(re.match(r'(\d+)',i).group()))lists.sort(key=lambda i:int(re.match(r'(\d+)',i).group()))# 删除旧的书if os.path.exists(filename):os.remove(filename)print('旧的 %s 已经被删除'%filename)# 创建新书with open(r'.\%s'%(filename),'a',encoding='utf-8') as f:for i in lists:with open(r'%s\%s' % (path, i), 'r', encoding='utf-8') as temp:f.writelines(temp.readlines())temp.close()f.close()print('新的 %s 已经被创建在当前目录 %s '%(filename,os.path.abspath(filename)))returnif __name__=="__main__":# # 主页base = 'http://www.yznnw.com'# 下载指定的书process_getAllBook(base) #如果下载完出现卡的话,请单独执行如下命令# sort_allCharts(r'.\龙血战神',"龙血战神.txt")
如果要下载其他书的话,找到书的首页,添加到如下位置:
找书的首页URL,随便点开一章,删除后面的***.html,后回车,就是这本书的首页URL。
运行结果:
请求URL失败的网页放在,Log\req_error.txt中
爬取失败的章节存放在这本书的目录下的error_url.txt中
之后,你可以使用电子书生成器,生成就好,也可以在跟目录下看到相应的总的小说:
这个是我爬了3本书的结果,爬完后程序卡了,只能结束掉,单独执行最后一条命令了。。。。。。。。
手机端打开,目录也正确
版权作者:feiquan出处:http://www.cnblogs.com/feiquan/ 版权声明:本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。大家写文都不容易,请尊重劳动成果~ 这里谢谢大家啦(*/ω\*)
转载于:https://www.cnblogs.com/feiquan/p/9996204.html
python 爬取全本免费小说网的小说相关推荐
- python爬取QQ音乐免费歌曲 2020.7.26
python爬取qq音乐免费歌曲 2020.7.26 目标分析 获取音乐列表 1.浏览器网络请求追踪 2.寻找音乐列表 解析qq音乐 1.下载连接组成 2.获取vkey 3.获取sign参数 关系图 ...
- 用python爬取网站_「自如网」关于用python爬取自如网信息的价格问题(已解决) - seo实验室...
自如网 ###这是一篇求助文,我能获取图片并变成字符串,但是无法获取位移量### 前两坛突发奇想想要爬取自如网的租房数据,本来以为能够请求+美丽+ re能全部搞定,没想到这个网站的反爬机制有点让我搞不 ...
- python 爬取全量百度POI
在网上找了很多关于爬取百度POI的文章,但是对"全量"的做法并没有得到最终的解决方案,自己写了一个,但还是不能实现全量POI抓取,能够达到至少50%的信息抓取. 注意:这里所指&q ...
- Python 爬取蜻蜓FM免费音频页面的音频
ps:这段代码是9月用python写的,环境是在python3.6跑起来的.最初的构想是通过爬取微信公众号的音频文件,通过存储到mogodb和下载到本地.最后发现微信的页面千变万化,不好分析,正好&q ...
- 使用python爬取斗破苍穹小说网
使用python爬取斗破苍穹小说网,学会了以后就不用去看付费的小说了不多bb直接上源码 import requests from bs4 import BeautifulSoupdef file(): ...
- python爬取小说并下载_python爬取138看书网小说源码
python爬取138看书网小说源码由论坛用户制作并分享,适用于138小说网,能够帮助用户爬取网站获取小说资源,软件提供分类搜索查找的功能,支持目录爬取,还附带书签功能,用户使用这款软件能够更加轻松地 ...
- 【爬虫】用Python爬取去哪儿网热门旅游信息(并打包成旅游信息查询小工具)
以下内容为本人原创,欢迎大家观看学习,禁止用于商业用途,谢谢合作! ·作者:@Yhen ·原文网站:CSDN ·原文链接:https://blog.csdn.net/Yhen1/article/det ...
- python爬取小说写入txt_Python BeautifulSoup 爬取笔趣阁所有的小说
这是一个练习作品.用python脚本爬取笔趣阁上面的免费小说. 环境:python3 类库:BeautifulSoup 数据源:http://www.biqukan.cc 原理就是伪装正常http请求 ...
- 完全小白篇-使用Python爬取网络小说
完全小白篇-使用Python爬取网络小说 一.找一个你要爬取的小说 二.分析网页 网页的展示方式 需要用到的库文件 三.向网站发送请求 四.正则提取 五.跳转的逻辑 六.后续处理 七.保存信息进入do ...
- 利用python爬取贝壳网租房信息
前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 python免费学习资 ...
最新文章
- Qt学习笔记之网络和连接
- React 向children中传值,layouts
- python程序按钮怎么创建_如何使用pygame创建按钮?
- Java在 list 中对每个元素遍历其是否在原 list 中有相同元素的方法
- 启动vue项目的时候报错提示To install it, you can run: npm install --save core-js/modules/es.regexp.dot
- Maven的下载与配置(包含阿里云镜像配置)
- 操作系统server 2012 r2 安装简体中文语言包
- MOEA/D-RDG 2016 阅读笔记
- Linux 下编译出现“ln failed to create symbolic link operation not supported”
- search engine “DuckDuckGo”
- 诛仙服务器状态查询,《诛仙3》部分服务器数据互通公告
- Windows常用热键
- Camera360 一款强大的手机拍照必备软件
- oracle两个压缩包怎么解压,AIX下如何解压缩zip文件
- vue 浏览器调试 样式如何定位样式_Vue项目骨架屏注入实践和方法总结
- 忧郁的蓝色手机专业论坛
- 【Docker x Hadoop】使用 Docker 搭建 Hadoop 集群(从零开始保姆级)
- X4扭曲字体或图形 coreldraw_CorelDRAW X4下载
- 学渣小论文投稿期刊记录总结
- PW4056H充电芯片,1A可调充电