1. 工具

开发环境：Python3.7 + Visual Studio Code
浏览器：谷歌浏览器
安装Python库：requests——用来获取HTML、BeautifulSoup——用来解析HTML文档

2. 正文

2.1 URL

目标：在新笔趣阁网站上爬取烽火戏诸侯的《雪中悍刀行》（此处安利一波，烽火大大的文笔很好，天不生我李淳罡。。。。。跑偏了）。
目录页地址：http://www.xbiquge.la/0/745/

2.2 思路

分析目录页源码，找到保存各个章节URL的标签：右击鼠标—>选择检查（N）或者按F12，网页的源码就出来了。要找到目录的URL，将鼠标放在其中一章目录上右击鼠标，源码就会跳到对应的内容那里。可见各章节的URL存放在属性id=’'list"的div标签内，只需找到对应属性的div，再将其内包含的所有a标签找出，就是找齐所有章节的URL了。
分析章节页内容：在内容（正文）上右击鼠标—>检查，跳到源码对应的内容。发现内容被存放在属性id="content"的div标签上，所以需要找到相应的div标签，再输出内容。
总体思路：在目录页获取各个章节的URL—>通过各个章节的URL遍历各个章节的内容—>写入文本文件（txt）里面

2.3 实现

2.3.1 获取各个章节URL

    def __get_Link_chapter(self):'''在目录页获得各个章节的url.解析目录页,通过属性找到存放各个章节url的div标签,获取各个章节的url并且返回'''# 当请求发生异常：连接或者超时错误，等待1S再尝试for try_counter in range(10):try:req_lp = requests.get(self.__url_lp, timeout=10)breakexcept ConnectionError:print('尝试获取目录页ConnectionError:%d' % (try_counter+1))except TimeoutError:print('尝试获取目录页TimeoutError:%d' % (try_counter+1))except:print('尝试获取目录页OtherError:%d' % (try_counter+1))time.sleep(1)if try_counter >= 9:print('获取目录页失败')returnelse:try:req_lp.encoding = req_lp.apparent_encoding# 建立BeautifulSoup对象，指定解析器lxmlbs_lp = BeautifulSoup(req_lp.text, 'lxml')# 找到所有对应属性的div标签div_list = bs_lp.find_all('div', attrs=self.__attrs_div_lp)# 找到所有的a标签link_chapter = []for div in div_list:link_chapter += div.find_all('a')return link_chapterexcept TypeError:print('目录页解析异常：TypeError')returnexcept:print('目录页解析异常：OtherError')return

2.3.2 获取一章内容

    def __get_content_chapter(self, link):'''获取章节内容.:param link:在目录页解析后得到的a标签内含章节名和url'''name_chapter = link.stringurl_chapter = self.__url_ws + link['href']  # 拼接得到章节页url# 在链接和读取过程中，出现异常的处理方式# 这里出现异常的话循环10次，等待1S重新读取for try_counter in range(10):try:# 超时设置为10Sreq_ct = requests.get(url_chapter, timeout=10)breakexcept ConnectionError:print('尝试获取章节链接：ConnectionError%d' % (try_counter+1))except TimeoutError:print('尝试获取章节链接：TimeoutError%d' % (try_counter+1))except:print('尝试获取章节链接：OtherError%d' % (try_counter+1))time.sleep(1)if try_counter >= 9:print('获取链接失败:'+name_chapter)return name_chapter+'\n\n'else:try:req_ct.encoding = self.__encode# 建立BeautifulSoup对象bs_ct = BeautifulSoup(req_ct.text, 'lxml')# 将找到的div内容转换成文本格式，# 并且将里面的&nbsp（不间断空格）替换成空格# 将br标签替换成换行符content = bs_ct.find('div', attrs=self.__attrs_div_ct)content = str(content).replace('<br/>','\n').replace('\xa0',' ')content = BeautifulSoup(content,'lxml').get_text()return name_chapter + '\n\n' + content + '\n\n'except TypeError:print('章节页解析异常：TypeError '+name_chapter)return name_chapter+'\n\n'except:print('章节页解析异常：OtherError '+name_chapter)return name_chapter+'\n\n'

2.3.3 写入内容

    def write(self, path_save):'''写下载的文件到指定路径.:param path_save:指定的保存路径'''# 在指定的文件夹路路径之下新建与书名同名的文本文件path_save = path_save + '\\' + self.__name + '.txt'# 获取各个章节的URLlink_chapter = self.__get_Link_chapter()if link_chapter is None:passelse:# 打开文件with open(path_save, 'w+', encoding=self.__encode) as file:for chapter, link in enumerate(link_chapter):# 获取章节内容content_chapter = self.__get_content_chapter(link)file.write(content_chapter)sys.stdout.write('下载进度：%.1f%%' % float(chapter/len(link_chapter)*100)+'\r')print('<<'+self.__name+'>>下载完成')

2.3.4 完整代码

from bs4 import BeautifulSoup
import requests
import time
import sysclass fiction():def __init__(self, name, url_ws, url_lp, encode, attrs_div_lp={}, attrs_div_ct={}):self.__name = name  # 名字self.__url_ws = url_ws  # 网站urlself.__url_lp = url_lp  # 链接（目录）页的urlself.__attrs_div_lp = attrs_div_lp  # 链接（目录页）存放各个章节链接的div标签属性self.__attrs_div_ct = attrs_div_ct  # 章节页存放内容的div标签属性self.__encode = encode  # 指定编码格式def Update(self, name, url_ws, url_lp, encode, attrs_div_lp={}, attrs_div_ct={}):'''重置参数必须同时重置所有参数，否则可能出现错误'''self.__name = name  # 名字self.__url_ws = url_ws  # 网站urlself.__url_lp = url_lp  # 链接（目录）页的urlself.__attrs_div_lp = attrs_div_lp  # 链接（目录页）存放各个章节链接的div标签属性self.__attrs_div_ct = attrs_div_ct  # 章节页存放内容的div标签属性self.__encode = encodedef __get_Link_chapter(self):'''在目录页获得各个章节的url.解析目录页,通过属性找到存放各个章节url的div标签,获取各个章节的url并且返回'''# 当请求发生异常：连接或者超时错误，等待1S再尝试for try_counter in range(10):try:req_lp = requests.get(self.__url_lp, timeout=10)breakexcept ConnectionError:print('尝试获取目录页ConnectionError:%d' % (try_counter+1))except TimeoutError:print('尝试获取目录页TimeoutError:%d' % (try_counter+1))except:print('尝试获取目录页OtherError:%d' % (try_counter+1))time.sleep(1)if try_counter >= 9:print('获取目录页失败')returnelse:try:req_lp.encoding = req_lp.apparent_encoding# 建立BeautifulSoup对象，指定解析器lxmlbs_lp = BeautifulSoup(req_lp.text, 'lxml')# 找到所有对应属性的div标签div_list = bs_lp.find_all('div', attrs=self.__attrs_div_lp)# 找到所有的a标签link_chapter = []for div in div_list:link_chapter += div.find_all('a')return link_chapterexcept TypeError:print('目录页解析异常：TypeError')returnexcept:print('目录页解析异常：OtherError')returndef __get_content_chapter(self, link):'''获取章节内容.:param link:在目录页解析后得到的a标签内含章节名和url'''name_chapter = link.stringurl_chapter = self.__url_ws + link['href']  # 拼接得到章节页url# 在链接和读取过程中，出现异常的处理方式# 这里出现异常的话循环10次，等待1S重新读取for try_counter in range(10):try:# 超时设置为10Sreq_ct = requests.get(url_chapter, timeout=10)breakexcept ConnectionError:print('尝试获取章节链接：ConnectionError%d' % (try_counter+1))except TimeoutError:print('尝试获取章节链接：TimeoutError%d' % (try_counter+1))except:print('尝试获取章节链接：OtherError%d' % (try_counter+1))time.sleep(1)if try_counter >= 9:print('获取链接失败:'+name_chapter)return name_chapter+'\n\n'else:try:req_ct.encoding = self.__encode# 建立BeautifulSoup对象bs_ct = BeautifulSoup(req_ct.text, 'lxml')# 将找到的div内容转换成文本格式，# 并且将里面的&nbsp（不间断空格）替换成空格# 将br标签换成换行符content = bs_ct.find('div', attrs=self.__attrs_div_ct)content = str(content).replace('<br/>','\n').replace('\xa0',' ')content = BeautifulSoup(content,'lxml').get_text()return name_chapter + '\n\n' + content + '\n\n'except TypeError:print('章节页解析异常：TypeError '+name_chapter)return name_chapter+'\n\n'except:print('章节页解析异常：OtherError '+name_chapter)return name_chapter+'\n\n'def write(self, path_save):'''写下载的文件到指定路径.:param path_save:指定的保存路径'''# 在指定的文件夹路路径之下新建与书名同名的文本文件path_save = path_save + '\\' + self.__name + '.txt'# 获取各个章节的URLlink_chapter = self.__get_Link_chapter()if link_chapter is None:passelse:# 打开文件with open(path_save, 'w+', encoding=self.__encode) as file:for chapter, link in enumerate(link_chapter):# 获取章节内容content_chapter = self.__get_content_chapter(link)file.write(content_chapter)sys.stdout.write('下载进度：%.1f%%' % float(chapter/len(link_chapter)*100)+'\r')print('<<'+self.__name+'>>下载完成')if __name__ == '__main__':start = time.time()f = fiction(name='雪中悍刀行',url_ws='http://www.xbiquge.la',url_lp='http://www.xbiquge.la/0/745/',attrs_div_lp={'id': 'list'},attrs_div_ct={'id': 'content'},encode='utf-8')f.write(r'C:\Users\HP\Desktop\pytxt')stop = time.time()print('用时：%ds' % (stop-start))

3. 小结

3.1 html基础知识

html基础知识：菜鸟教程——HTML教程

3.2 Requests库方法

get():获取服务器响应的内容。注意：最好设置超时时间，否者如果服务器无响应则一直会发送请求，程序就会一直卡在那个地方，而且不会报异常或者错误。
关于编码问题：最好是指定编码方式，根据Requests猜测的编码可能不准，后面写入文本的时候可能会发生异常。具体的分析可以参考知乎

html在源码head部分的charset就指定了编码，有时候说明的编码和实际使用的编码不一致，此时使用Response.apparent_encoding指定编码。

 req_lp.encoding = req_lp.apparent_encoding

3. Requests库更多更详细可以参考官方文档：快速上手、高级用法、开发接口

3.3 BeauifulSoup库

建立BeauifulSoup对象：

bs_lp = BeautifulSoup(req_lp.text, 'lxml')

第一个参数时需要解析的HTML文档，第二个参数时指定的文档解析器

2. find_all()方法：寻找当前tag标签下符合过滤条件的所有标签，返回一个bs4.element.ResultSet类型，其实可以像列表形式使用。

3. 编码：使用BeautifulSoup之后，无论原来的HTML文档是gbk编码还是utf-8编码亦或是其他编码，全都会转成Unicode编码，可能是因为Unicode编码兼容所有的语言吧。

3.4 文件写入

Python文件操作：菜鸟教程——Python3 File(文件) 方法

3.5 各个章节URL

目录页的各个章节的URL是不完整的，需拼接上网站的URL才算是完整的URL。

url_chapter = self.__url_ws + link['href']  # 拼接得到章节页url

4. 参考

Python3网络爬虫快速入门实战解析
python3爬虫中文乱码问题求解？（beautifulsoup4）

第一次修改：将br标签换成换行符

我的爬虫入门作（一）相关推荐

python很全的爬虫入门教程
python很全的爬虫入门教程一.爬虫前的准备工作首先,我们要知道什么是爬虫 1.什么是网络爬虫? 网络爬虫是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本.另外一些不常使用的名字还有蚂蚁 ...
爬虫入门学习（八）模拟登录丁香园论坛爬取用户信息
爬虫入门学习(八)实战大项目模拟登录丁香园爬取信息 1 目标 2 思路 3 主要的技术点 3.1 模拟登录 3.2 抓取用户个人主页 4 完整代码 5 项目后期拓展 1 目标模拟登录丁香园,并抓取页 ...
Python 爬虫入门教程——社团授课型
Python爬虫入门教程基础知识什么是HTML.CSS.JavaScript 网页往往采用html+css+js开发,html是一门标记语言如下: <!- 将下面这句话放入html文件中, ...
Python爬虫入门2（实战）
文章目录 13.B站直播间弹幕爬取代码: 运行结果: 14.xpath解析爬虫入门: lxml安装: 基本格式: 15.xpath入门讲解材料: py代码: 运行结果: 技巧: 16.xpath ...
python爬虫入门教程(二)：开始一个简单的爬虫
2019/10/28更新使用Python3,而不再是Python2 转载请注明出处:https://blog.csdn.net/aaronjny/article/details/77945329 爬 ...
Python爬虫入门教程02：小说爬取
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. 前文 01.python爬虫入门教程01:豆瓣Top电影爬取基本开发环境 Python 3 ...
python爬虫入门教程--优雅的HTTP库requests（二）
requests 实现了 HTTP 协议中绝大部分功能,它提供的功能包括 Keep-Alive.连接池.Cookie持久化.内容自动解压.HTTP代理.SSL认证等很多特性,下面这篇文章主要给大家介绍 ...
python爬虫入门教程--快速理解HTTP协议（一）
http协议是互联网里面最重要,最基础的协议之一,我们的爬虫需要经常和http协议打交道.下面这篇文章主要给大家介绍了关于python爬虫入门之快速理解HTTP协议的相关资料,文中介绍的非常详细,需要 ...
爬虫入门到精通-HTTP协议的讲解
HTTP协议的讲解本文章属于爬虫入门到精通系统教程第三讲什么是HTTP协议? 引用自维基百科超文本传输协议(英文:HyperText Transfer Protocol,缩写:HTTP)是互联网 ...

我的爬虫入门作（一）

目录