python制作小说爬虫实录

纪念我的第一个爬虫程序，一共写了三个白天，其中有两个上午没有看，中途遇到了各种奇怪的问题，伴随着他们的解决，对于一些基本的操作也弄清楚了。果然，对于这些东西的最号的学习方式，就是在使用中学习，通过解决问题的方式来搞定这些知识。按需索取，才能更有针对性。

大体记录下整个过程。

--------------------------------------------------------------------------------

准备构思

出于对于python的热爱，想要尝试一些练手的项目，但是不论是看书，还是直接尝试别人的项目，到最后都会沦为不停地复制粘贴...最实际的就是自己来上手亲自写代码。思路都是一样的，但是具体的实现还得靠自己。

以前的复制粘贴给我的帮助也就是告诉了我大致的流程。

确定目标网址

目标网址是关键。我梦想中的爬虫是那种偏向于更智能的，直接给他一个想要获取的关键词，一步步的流程直接自己完成，可以自己给定范围，也可以直接爬取整个互联网或者更实际的就是整个百度上的内容，但是，目前就我而言，见到的爬虫，都是给定目标网址，通过目标页面上的内容进一步执行规定的操作，所以现在来看，我们在写爬虫之前，需要确定一个基准页面，这个是需要我们事先制定的。在考虑我们需要程序完成怎样的功能，获取页面文本还是相关链接内容还是其他的目的。

我这个程序想要获取的是《剑来》小说，把各个章节的内容爬去下载存储到文件里。

编程只是实现目的的工具。

所以重点是分析我们的需求。

获取小说目录页面是基本。这里有各个章节的链接，标题等等内容。这是我们需要的。

有了各个章节的链接，就需要进入其中获得各个章节的内容。

所以，我们需要获得页面内容，需要从中获得目标内容。

所以使用 urllib.request，re 库。

前者用来获得网页内容，后者获得目标信息。

headers

直接使用urllib.request的urlopen()，read()方法是会报以下错误：

raise HTTPError(req.get_full_url(), code, msg, hdrs, fp)
HTTPError: HTTP Error 403: Forbidden

出现urllib2.HTTPError: HTTP Error 403: Forbidden错误是由于网站禁止爬虫，可以在请求加上头信息，伪装成浏览器。

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'}
request = url_req.Request(url, headers=headers)
response = url_req.urlopen(request, data=None, timeout=3)
html = response.read().decode('GBK')

注意：这里存在两个容易出问题的地方。
•编码：编码问题是使用爬虫中有时候会很头痛的问题，由于网页源代码编码格式不明确，所以这里尝试了许久。

使用chardet库的detect()方法可以检测字节字符串的编码。所以直接检测这里的html(先不要解码)。输出的是GB2312，但是在后面页面的爬取中，会出现提示有的字符的编码异常，所以这里采取了比其范围更广的中文字符集GBK，解决了这个问题。
•设置超时范围：由于频繁的获取网页内容，目标网站有时候会出现没有响应的问题。

（这个问题可以见我在CSDN上的提问：关于python爬虫程序中途停止的问题）

于是我采取了捕获 urlopen()的socket.timeout异常，并在出现异常的时候再循环访问，直到获得目标页面。

获得目标内容

这里使用的是正则表达式。re模块。这里的使用并不复杂。

首先需要一个模式字符串。以re.I指定忽略大小写，编译后的对象拥有本身匹配的方法，这里使用的是findall()，返回一个所有结果组成的列表。可以及时返回输出其内容，进而选择合适的部分进行处理。

python 正则表达式

通过查看相关的符号，这里使用(.+?)来实现匹配非贪婪模式(尽量少的)下任意无限字符，对之使用()，进而匹配括号内的模式。

文件写入

使用with open() as file:，进而可以处理文件。并且可以自动执行打开和关闭文件，更为便捷安全。
with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:

•这里也要注意编码的问题，指定utf-8。会避免一些问题。
•这里使用w+模式，追加写文件。

完整代码

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 11 16:31:42 2017
@author: lart
"""

import urllib.request as url_req
import re, socket, time


def r_o_html(url):
  print('r_o_html begin')

  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'}

  request = url_req.Request(url, headers=headers)

  NET_STATUS = False
  while not NET_STATUS:
    try:
      response = url_req.urlopen(request, data=None, timeout=3)
      html = response.read().decode('GBK')
      print('NET_STATUS is good')
      print('r_o_html end')
      return html
    except socket.timeout:
      print('NET_STATUS is not good')
      NET_STATUS = False

def re_findall(re_string, operation, html):

  print('re_findall begin')
  pattern = re.compile(re_string, re.I)

  if operation == 'findall':
    result = pattern.findall(html)
  else:
    print('this operation is invalid')
    exit(-1)

  print('re_findall end')
  return result


if __name__ == '__main__':
  url_base = 'http://www.7kankan.la/book/1/'

  html = r_o_html(url_base)

  findall_title = re_findall(r'<title>(.+?)</title>', 'findall', html)

  findall_chapter = re_findall(r'<dd class="col-md-3"><a href=[\',"](.+?)[\',"] title=[\',"](.+?)[\',"]>', 'findall', html)

  with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:
    print('article文件打开', findall_chapter)
    for i in range(len(findall_chapter)):
      print('第' + str(i) + '章')

      open_file.write('\n\n\t' + findall_chapter[i][1] + '\n --------------------------------------------------------------------- \n')

      url_chapter = url_base + findall_chapter[i][0]

      html_chapter = r_o_html(url_chapter)

      findall_article = re_findall(r'&nbsp;&nbsp;&nbsp;&nbsp;(.+?)<br />', 'findall', html_chapter)

      findall_article_next = findall_chapter[i][0].replace('.html', '_2.html')

      url_nextchapter = url_base + findall_article_next

      html_nextchapter = r_o_html(url_nextchapter)

      if html_nextchapter:
        findall_article.extend(re_findall(r'&nbsp;&nbsp;&nbsp;&nbsp;(.+?)<br />', 'findall', html_nextchapter))

        for text in findall_article:
          open_file.write(text + '\n')

      time.sleep(1)

  print('文件写入完毕')

# python爬虫爬小说  # python  # 爬虫抓取小说  # 小说爬虫  # 编写Python脚本抓取网络小说来制作自己的阅读器  # Python实现的爬取小说爬虫功能示例  # Python制作爬虫采集小说  # 简单的抓取淘宝图片的Python爬虫  # 零基础写python爬虫之抓取糗事百科代码分享  # 实践Python的爬虫框架Scrapy来抓取豆瓣电影TOP250  # Python制作爬虫抓取美女图  # 编写Python爬虫抓取暴走漫画上gif图片的实例分享  # Python爬虫之网页图片抓取的方法  # python实现爬虫抓取小说功能示例【抓取金庸小说】  # 关键词  # 的是  # 这个问题  # 会报  # 中途  # 都是  # 这是  # 他们的  # 互联网  # 第一个  # 也要  # 给他  # 中有  # 其他的  # 并在  # 更有  # 问题是  # 可以直接  # 写了  # 正则表达式 

相关文章： 如何在建站之星绑定自定义域名？  建站之星上传入口如何快速找到？  学生网站制作软件,一个12岁的学生写小说，应该去什么样的网站？  网站设计制作企业有哪些,抖音官网主页怎么设置？  宝塔建站助手安装配置与建站模板使用全流程解析  建站为何优先选择香港服务器？  php json中文编码为null的解决办法  免费ppt制作网站,有没有值得推荐的免费PPT网站？  如何通过老薛主机一键快速建站？  微课制作网站有哪些,微课网怎么进？  如何选择域名并搭建高效网站？  公司网站的制作公司,企业网站制作基本流程有哪些？  香港服务器网站推广：SEO优化与外贸独立站搭建策略  专业网站制作企业网站,如何制作一个企业网站，建设网站的基本步骤有哪些？  如何挑选优质建站一级代理提升网站排名？  外贸公司网站制作哪家好,maersk船公司官网？  娃派WAP自助建站：免费模板+移动优化，快速打造专业网站  如何快速完成中国万网建站详细流程？  如何通过万网虚拟主机快速搭建网站？  如何有效防御Web建站篡改攻击？  如何快速辨别茅台真假？关键步骤解析  如何设计高效校园网站？  网站制作报价单模板图片,小松挖机官方网站报价？  矢量图网站制作软件,用千图网的一张矢量图做公司app首页，该网站并未说明版权等问题，这样做算不算侵权？应该如何解决？  微信网站制作公司有哪些,民生银行办理公司开户怎么在微信网页上查询进度？  南阳网站制作公司推荐,小学电子版试卷去哪里找资源好？  如何在阿里云ECS服务器部署织梦CMS网站？  济南企业网站制作公司,济南社保单位网上缴费步骤？  如何配置IIS站点权限与局域网访问？  实例解析angularjs的filter过滤器  合肥制作网站的公司有哪些,合肥聚美网络科技有限公司介绍？  Python如何创建带属性的XML节点  h5网站制作工具有哪些,h5页面制作工具有哪些？  如何实现建站之星域名转发设置？  在线ppt制作网站有哪些,请推荐几个好的课件下载的网站？  安云自助建站系统如何快速提升SEO排名？  宝塔面板如何快速创建新站点？  制作网站的过程怎么写,用凡科建站如何制作自己的网站？  保定网站制作方案定制,保定招聘的渠道有哪些？找工作的人一般都去哪里看招聘信息？  活动邀请函制作网站有哪些,活动邀请函文案？  建站上传速度慢？如何优化加速网站加载效率？  建站之星展会模版如何一键下载生成？  Swift中swift中的switch 语句  成都响应式网站开发,dw怎么把手机适应页面变成网页？  如何快速生成专业多端适配建站电话？  如何配置支付宝与微信支付功能？  小建面朝正北，A点实际方位是否存在偏差？  c++怎么编写动态链接库dll_c++ __declspec(dllexport)导出与调用【方法】  股票网站制作软件,网上股票怎么开户？  实例解析Array和String方法