Python爬虫实战(2)-爬取小说"斗罗大陆3龙王传

前言

首先，我们来回忆一下上篇爬虫实战讲了什么：讲到了requests和bs4和一些网页基本操作。如果有不熟悉的朋友可以去看看：

Python爬虫实战(1)-爬取“房天下”租房信息(超详细)

今天我们用re模块+requests来实战爬取一下，并写入TXT文件中，效果图如下：

image

实战

我们今天来爬取一下5200小说网的小说“罗大陆3龙王传说”并写入TXT文件中，我们先分析一下章节网址的规律：

http://www.5200xs.org/52002847/1081834.html

http://www.5200xs.org/52002847/1081835.html

从而得知规律是网址数字的增加。

步骤：

1.先获取网页数据，用requests获取，这个大家都会吧？上篇实战文章已经讲过了，这里的url我们一会再赋值：

import  requests

def get_data(url):
   headers = {
       'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36'}

   data = requests.get(url,headers=headers)
   # 因为直接请求出来的是乱码，所有设置一下编码格式
   data.encoding = "gbk"
   print(data.text)

2.根据re模块去提取你想要的信息-标题和内容

首先先讲一下符号 (.?)的用法，就是表示匹配xx和xx间的任何字符。用法就是‘xx(.?)xx’

标题：

获取代码：

title = re.findall('<h1>(.*?)</h1>', data.text, re.S)

内容：

image

获取代码：

content = re.findall('<div id="content">(.*?)</div>', data.text, re.S)

获取之后会有各种的符号，我们可以把它代替出来：

if content.__len__()>0:
           str = content[0].replace("&nbsp;&nbsp;&nbsp;&nbsp;", "").replace("<br />", "")

3.就是通过循环依次获取当前的网页数据，并写入TXT文件中。

完整代码如下：

import  requests
import  re
#创建TXT文件，其中的"a+"是一种模式，表示用于读写，追加模式。
f = open("C:/Users/Administrator/Desktop/qi.txt","a+")

def get_data(url):
   headers = {
       'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36'}

   data = requests.get(url,headers=headers)
   # 因为直接请求出来的是乱码，所有设置一下编码格式
   data.encoding = "gbk"
    #获取网页数据成功
   if data.status_code==200:

       title = re.findall('<h1>(.*?)</h1>', data.text, re.S)     #标题
       content = re.findall('<div id="content">(.*?)</div>', data.text, re.S)     #内容
       if content.__len__()>0 and title.__len__()>0:
           str =title[0]+"\n\n"+  content[0].replace("&nbsp;&nbsp;&nbsp;&nbsp;", "").replace("<br />", "")     #标题和内容拼在一起
           f.write(str)     #写入TXT
   #获取失败
   else:
       pass

if __name__ == '__main__':
   #这里为了给大家演示，只是取了前一百章
   urls = ["http://www.5200xs.org/52002847/{}.html".format(str(i)) for i in range(1081834, 1081933)]
   for i in urls:
       get_data(i)
   f.close()

希望对刚入门的朋友有所帮助！

---