Python3利用BeautifulSoup4抓取站点小说全文的代码
再写一个用BeautifulSoup抓站的工具,体会BeautifulSoup的强大。
根据小说索引页获取小说全部章节内容并在本地整合为小说全文。不过不是智能的,不同的站点对代码需要做相应的修改。
#!/usr/bin/env python import os
import sys
import re
import time
import chardet
import urllib.request as ur
from urllib.parse import urljoin,urlparse
from bs4 import BeautifulSoup
from threading import Thread class Download(Thread): #为每个章节分配多线程
def __init__(self,filepath,info):
Thread.__init__(self)
self.filepath = filepath
(self.link,self.chapter) = info def run(self):
print('开始下载: '+self.chapter)
section(self.filepath,self.chapter,self.link)
print('完成下载: '+self.chapter) def getData(url): #主要用于判断页面编码,但是发现BeautifulSoup自带判定能力,故废弃此函数
charsets = 'utf8'
response = ur.urlopen(url,timeout = 10)
html = response.read()
charinfo = chardet.detect(html)
charsets = charinfo['encoding']
data = html.decode(charsets)
return data def merge(tmpFiles,targetFile): #将下载的章节合并
for tmpFile in tmpFiles:
with open(targetFile,'a+') as wfile:
wfile.write(open(tmpFile,'r').read())
os.remove(tmpFile) def content(link): #获取章节页面的小说内容。对于不同的站点,在此函数内修改获取章节内容的代码
html = ur.urlopen(link,timeout = 10)
soup =BeautifulSoup(html)
contents = soup.find(id = 'readtext').p.span.text.replace(' ','\n') #BeautifulSoup会自动将 转换为空格,<br/>转换为特殊符号
return contents def section(filepath,chapter,link): #下载章节内容
while True: #反复请求页面
try:
with open(filepath,'w') as nfile:
nfile.write(chapter+'\n'+content(link)+'\n')
break
except:
pass def index(url): #获取章节索引
indexs = []
while True: #反复请求页面
try:
html = ur.urlopen(url,timeout = 10)
#html = html.read().decode('gb2312')
#html = getData(url)
soup = BeautifulSoup(html,from_encoding = 'gbk')#BeautifulSoup能自动识别编码,但是会将gbk页面识别为gb2312页面,可能导致页面内部分数据获取失败,故显式指定
break
except:
pass
title = soup.find(name = 'div',attrs = {'class':'booktext'}).text
indexDiv = soup.find(name = 'div',attrs = {'class':'booktext'})
indexUl = [ul for ul in indexDiv.find_all('ul') if ul][1:]
for ul in indexUl:
indexList = [li.a for li in ul.find_all('li') if li]
index = [(urljoin(url,a.get('href')),a.text) for a in indexList if a]
indexs +=index
return indexs def novel(url):
tmpFiles = []
tasks = []
try:
indexs = index(url)
tmpDir = os.path.join(os.getcwd(),'tmp')
if not os.path.exists(tmpDir): #创建章节片段存放的临时目录
os.mkdir(tmpDir)
for i,info in enumerate(indexs):
tmpFile = os.path.join(tmpDir,str(i))
tmpFiles.append(tmpFile)
task = Download(tmpFile,info) #开启新线程下载章节内容
task.setDaemon(True)
task.start()
tasks.append(task)
if len(tasks) >= 20: #将线程总数控制在20个以内,如果线程过多会导致程序崩溃
while len([task for task in tasks if task.isAlive()]):
print( '进度: {} / {}'.format(i+1-len([task for task in tasks if task.isAlive()]),len(indexs))) #显示下载进度
time.sleep(2)
tasks = []
if i == len(indexs) - 1:
while len([task for task in tasks if task.isAlive()]):
print( '进度: {} / {}'.format(len(indexs) - len([task for task in tasks if task.isAlive()]),len(indexs)))
time.sleep(2)
print( '进度: {} / {}'.format(len(indexs),len(indexs)))
print('开始整合......')
merge(tmpFiles,os.path.join(os.getcwd(),title+'.txt'))
print('下载成功!')
except Exception as ex:
print(ex)
print('下载失败!')
sys.exit()
def main(argv):
try:
novel(argv[0])
except KeyboardInterrupt as kbi: #使用<C-c>中断下载后仍然能将已下载的章节合并
tmpDir = os.path.join(os.getcwd(),'tmp')
if os.path.exists(tmpDir):
tmpFiles = [os.path.join(tmpDir,tfile) for tfile in os.listdir(tmpDir) if os.path.isfile(os.path.join(tmpDir,tfile))]
print('开始整合不完整的下载......')
try:
merge(tmpFiles,os.path.join(os.getcwd(),'不完整文档.txt'))
if os.path.exists(os.path.join(os.getcwd(),'不完整文档.txt')):
print('部分章节下载成功!')
else:
print('下载失败!')
except:
print('下载失败!')
sys.exit()
os.rmdir(tmpDir)
else:
print('下载失败!')
sys.exit()
if os.path.exists(os.path.join(os.getcwd(),'tmp')):
os.rmdir(os.path.join(os.getcwd(),'tmp')) if __name__ == "__main__":
if len(sys.argv) > 1:
main(sys.argv[1:])
#http://www.lueqiu.com/
截图:
Python3利用BeautifulSoup4抓取站点小说全文的代码的更多相关文章
- python3.4学习笔记(十七) 网络爬虫使用Beautifulsoup4抓取内容
python3.4学习笔记(十七) 网络爬虫使用Beautifulsoup4抓取内容 Beautiful Soup 是用Python写的一个HTML/XML的解析器,它可以很好的处理不规范标记并生成剖 ...
- 对比使用Charles和Fiddler两个工具及利用Charles抓取https数据(App)
对比使用Charles和Fiddler两个工具及利用Charles抓取https数据(App) 实验目的:对比使用Charles和Fiddler两个工具 实验对象:车易通App,易销通App 实验结果 ...
- 利用Crowbar抓取网页异步加载的内容 [Python俱乐部]
利用Crowbar抓取网页异步加载的内容 [Python俱乐部] 利用Crowbar抓取网页异步加载的内容 在做 Web 信息提取.数据挖掘的过程中,一个关键步骤就是网页源代码的获取.但是出于各种原因 ...
- 利用Fiddler抓取websocket包
一.利用fiddler抓取websockt包 打开Fiddler,点开菜单栏的Rules,选择Customize Rules... 这时会打开CustomRules.js文件,在class Handl ...
- Python3.x:抓取百事糗科段子
Python3.x:抓取百事糗科段子 实现代码: #Python3.6 获取糗事百科的段子 import urllib.request #导入各类要用到的包 import urllib import ...
- Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺
更新 其实本文的初衷是为了获取淘宝的非匿名旺旺,在淘宝详情页的最下方有相关评论,含有非匿名旺旺号,快一年了淘宝都没有修复这个. 可就在今天,淘宝把所有的账号设置成了匿名显示,SO,获取非匿名旺旺号已经 ...
- 利用wireshark抓取远程linux上的数据包
原文发表在我的博客主页,转载请注明出处. 前言 因为出差,前后准备总结了一周多,所以博客有所搁置.出差真是累人的活计,不过确实可以学习到很多东西,跟着老板学习做人,学习交流的技巧.入正题~ wires ...
- 利用wget 抓取 网站网页 包括css背景图片
利用wget 抓取 网站网页 包括css背景图片 wget是一款非常优秀的http/ftp下载工具,它功能强大,而且几乎所有的unix系统上都有.不过用它来dump比较现代的网站会有一个问题:不支持c ...
- Python3利用BeautifulSoup4批量抓取站点图片的代码
边学边写代码,记录下来.这段代码用于批量抓取主站下所有子网页中符合特定尺寸要求的的图片文件,支持中断. 原理很简单:使用BeautifulSoup4分析网页,获取网页<a/>和<im ...
随机推荐
- 在linux中配置安装telnet服务
Telnet 是一种流行的用于通过 Internet 登录到远程计算机的协议.Telnet 服务器软件包为远程登录主机提供了支持.要通过 Telnet 协议与另一台主机通讯,您可以使用名称或 Inte ...
- [转]解决a different object with the same identifier value was already associated with the session错误
1.a different object with the same identifier value was already associated with the session. 错误原因:在h ...
- xml 配置文件规范 校验
背景:做的数据同步框架,数据同步种类通过xml配置文件添加.为了系统的稳定性,我们只能认为将来写这个运行配置xml的人是一个傻瓜,那么对xml格式校验就很重要. 通过dom4j,是可以完成对xml格式 ...
- 在MFC中使用GDI+的一般方法,以VC6.0编译器为例
1.载解压GDI+开发包: 2.正确设置include & lib 目录: 设置如下:VC6.0编译器菜单Tools->Options->Directories中添加inlude ...
- C# 基础排序与查找算法
排序算法: class Sort { static void swap<T>(ref T a, ref T b) { T tmp = a; a = b; b = tmp; } #regio ...
- C语言指针变量作为函数参数
0x01 指针变量作为函数参数的作用是:将一个变量的地址传送到另一个函数中. 0x02 简单的例子:虽然都能实现功能,但意义不同. 正确的写法: #include <stdio.h> vo ...
- ATL中窗口句柄与窗口过程的关联方法
ATL中采用了一种动态生成机器指令的方式进行窗口句柄与窗口对象进行关联,以是详细分析: CWindowImpl会在第一次调用Create时注册窗口类,该窗口类是的信息是在CWindowImpl的子类中 ...
- master-slave
Redis的master/slave数据复制方式可以是一主一从或者是一主多从的方式,Redis在master是非阻塞模式,也就是说在slave执行数据同步的时候,master是可以接受客户端的请求的, ...
- 【转】ELK(ElasticSearch, Logstash, Kibana)搭建实时日志分析平台
[转自]https://my.oschina.net/itblog/blog/547250 摘要: 前段时间研究的Log4j+Kafka中,有人建议把Kafka收集到的日志存放于ES(ElasticS ...
- FireDac 的RecordCount 相关测试 记录。
unit Unit4; interface uses Winapi.Windows, Winapi.Messages, System.SysUtils, System.Variants, System ...