百木园-与人分享,
就是让自己快乐。

python爬虫之抓取小说(逆天邪神)

2022-03-06 23:05:11

申明:自我娱乐,对自我学习过程的总结。

正文:

环境:

  1. 系统:win10,

  2. python版本:python3.10.2,

  3. 工具:pycharm。

项目目标:

  1. 实现对单本小说的更新判断,省去人工登录浏览器看小说的繁琐操作。

  2. 如果小说内容更新了,那么自动下载你没看过的小说内容到本地,并保存为txt格式。

  3. 对项目代码封装成可单独运行在win10上的exe文件。

最终效果:都已实现。可以判断小说更新了没;更新了就下载下来;通过调整小说的已看章节数(就是你上次浏览小说章节位置记录)可以达到直接保存整本小说。

项目实现流程:

1. 主程序

我这里只写了一个main.py,就一个主函数解决了。

# 这个是一个爬取小说的工具
# 内容针对逆天邪神
# 功能1:是判断小说是否更新,如果更新就下载下来
# 功能2:下载整本小说(单线程),一般都是自动下载最新更新的几章,单线程足够。——懒


import requests
import re
from bs4 import BeautifulSoup
import os

if __name__ == \'__main__\':
   novel_url = \"https://www.bige3.com/book/1030/\"  # 逆天邪神
   return_value = is_update(novel_url)  # 更新章节数
   if return_value == 0:
       print(\"小说尚未更新!\")
   else:
       print(\"小说已更新\" + str(return_value) +\"章!\")
       print(\"正在下载已更新的小说......\")
       download_novel(return_value)
   # os.system(\"pause\")   # 调试时注释掉,封装时打开,用于观察结果

2. 功能函数

2.1 功能函数is_update()

def is_update(url):
   heards = {
       \"user-agent\": \"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36\"
  }
   try:
       resp = requests.get(url, headers=heards)
       resp.raise_for_status()  # 检查Response状态码,若不是200则产生HttpError异常
       resp.encoding = \'utf-8\'
   except:
       print(\"爬取失败\")

   resp = re.findall(r\'<a href =.*?>(.*?)</a>\', resp.text)
   # print(\"请求返回的列表中的最后一章是:\" + resp[-1])
   with open(\"小说更新记录.txt\", \"r\", encoding=\'utf-8\') as f:  # 打开文件
       data = f.read()  # 读取文件
       # print(\"source_novel_data is:\" + str(data))
   if data == str(resp[-1]):
       # print(\"===章节一致,小说尚未更新!\")
       return 0
   else:
       # print(\"!==小说更新啦,并将更新值加入到小说更新记录.txt\")
       data_num = re.findall(r\'\\d+\', data)  # list
       data_num = \'\'.join(data_num)  # str
       resp_num = re.findall(r\'\\d+\', resp[-1])
       resp_num = \'\'.join(resp_num)
       gap_num = int(resp_num)-int(data_num)  # 更新章节数
       with open(\"小说更新记录.txt\", \"w\", encoding=\'utf-8\') as f:  # 打开文件
           f.write(str(resp[-1]))  # 读取文件
           print(\"writing is ok!\")
       return gap_num
   

2.2 功能函数download_novel(return_value)

# 单线程方式
def download_novel(return_value):
   if return_value >= 1:
       for i in range(1, return_value+1, 1):
           print(i)
           with open(\"小说更新记录.txt\", \"r\", encoding=\'utf-8\') as f:  # 打开文件
               data = f.read()  # 读取文件 str
               data_num = re.findall(r\'\\d+\', data)  # list
               data_num = \'\'.join(data_num)  # str
               download_num = int(data_num)+1-(i-1)
               # print(download_num)
               print(novel_url+str(download_num)+\'.html\')
           resp = requests.get(novel_url+str(download_num)+\'.html\')
           # print(resp.content)
           soup = BeautifulSoup(resp.text, \'lxml\')
           soup.select(\'#chaptercontent\')
           mytxt = soup.text[soup.text.find(\'下一章\'):soup.text.rfind(\'『点此报错\')]
           mytxt = mytxt[3:]
           mytxt = mytxt.strip()
           mytxt = mytxt.replace(\'  \', \'\\n\')
           novel_save_location = \"./novel_downloads/逆天邪神第\"+str(download_num-1)+\"章.txt\"
           with open(novel_save_location, \"w\", encoding=\'utf-8\') as f:  # 打开文件
               f.write(mytxt)
           print(\"下载完毕!\")
   else:
       print(\"invalid parameter!\")

注意:

  1. 调试时要创建文件夹novel_downloads,并标注为Exclusion,防止pycharm自动创建索引,使电脑卡顿。

  2. 封装后的main.exe要保证它所在的路径下有两个东西:文件夹novel_downloads和文件小说更新记录.txt

  3. 初始阶段保证文件小说更新记录.txt里有个数字就行,随便啥(1 or 1935等)

全部代码:(直接能爬)

# 这个是一个爬取小说的工具
# 内容针对逆天邪神
# 功能1:是判断小说是否更新,如果更新就下载下来
# 功能2:下载整本小说(单线程),一般都是自动下载最新更新的几章,单线程足够。——懒

import requests
from lxml import etree
import re
from bs4 import BeautifulSoup
import os

def is_update(url):
   heards = {
       \"user-agent\": \"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36\"
  }
   try:
       resp = requests.get(url, headers=heards)
       resp.raise_for_status()  # 检查Response状态码,若不是200则产生HttpError异常
       resp.encoding = \'utf-8\'
   except:
       print(\"爬取失败\")

   resp = re.findall(r\'<a href =.*?>(.*?)</a>\', resp.text)
   # print(\"请求返回的列表中的最后一章是:\" + resp[-1])
   with open(\"小说更新记录.txt\", \"r\", encoding=\'utf-8\') as f:  # 打开文件
       data = f.read()  # 读取文件
       # print(\"source_novel_data is:\" + str(data))
   if data == str(resp[-1]):
       # print(\"===章节一致,小说尚未更新!\")
       return 0
   else:
       # print(\"!==小说更新啦,并将更新值加入到小说更新记录.txt\")
       data_num = re.findall(r\'\\d+\', data)  # list
       data_num = \'\'.join(data_num)  # str
       resp_num = re.findall(r\'\\d+\', resp[-1])
       resp_num = \'\'.join(resp_num)
       gap_num = int(resp_num)-int(data_num)  # 更新章节数
       with open(\"小说更新记录.txt\", \"w\", encoding=\'utf-8\') as f:  # 打开文件
           f.write(str(resp[-1]))  # 读取文件
           print(\"writing is ok!\")
       return gap_num


# 单线程方式
def download_novel(return_value):
   if return_value >= 1:
       for i in range(1, return_value+1, 1):
           print(i)
           with open(\"小说更新记录.txt\", \"r\", encoding=\'utf-8\') as f:  # 打开文件
               data = f.read()  # 读取文件 str
               data_num = re.findall(r\'\\d+\', data)  # list
               data_num = \'\'.join(data_num)  # str
               download_num = int(data_num)+1-(i-1)
               # print(download_num)
               print(novel_url+str(download_num)+\'.html\')
           resp = requests.get(novel_url+str(download_num)+\'.html\')
           # print(resp.content)
           soup = BeautifulSoup(resp.text, \'lxml\')
           soup.select(\'#chaptercontent\')
           mytxt = soup.text[soup.text.find(\'下一章\'):soup.text.rfind(\'『点此报错\')]
           mytxt = mytxt[3:]
           mytxt = mytxt.strip()
           mytxt = mytxt.replace(\'  \', \'\\n\')
           novel_save_location = \"./novel_downloads/逆天邪神第\"+str(download_num-1)+\"章.txt\"
           with open(novel_save_location, \"w\", encoding=\'utf-8\') as f:  # 打开文件
               f.write(mytxt)
           print(\"下载完毕!\")
   else:
       print(\"invalid parameter!\")


if __name__ == \'__main__\':
   novel_url = \"https://www.bige3.com/book/1030/\"  # 逆天邪神
   return_value = is_update(novel_url)
   if return_value == 0:
       print(\"小说尚未更新!\")
   else:
       print(\"小说已更新\" + str(return_value) +\"章!\")
       print(\"正在下载已更新的小说......\")
       download_novel(return_value)
   os.system(\"pause\")

 

缺点:单线程,没有用到异步协程,也没有用线程池实现对小说下载章节数较多时的快速下载优势。之后有空再优化代码,并实现相应的功能。

实现效果:

例如章节是目前是

最新章节为:1936章 灾厄奏鸣 ,我改个数字演示。

不改话,就没有新章节更新:

改后跑起来,应该是

对应的文件夹里是:

 

打开后内容是:

 

Over!!!!!

封装问题

步骤:

  1. 在pycharm项目路径下打开终端输入:pip install pyinstaller

  2. cd到项目的.py文件路径下cd .\\study_capture\\novel_capture\\

  3. 执行:pyinstaller -F .\\main.py

结果是:

 

 

项目中用到的知识点:

这里面可以有些在优化程序时被我给去掉了,嘿嘿

请求网页数据

resp = requests.get(url, headers=heards)

python中list与string的转换

data_num = re.findall(r\'\\d+\', data)  # 正则出来的是list 
data_num = \'\'.join(data_num)  # str

小说章节数的确认

resp = re.findall(r\'<a href =.*?>(.*?)</a>\', resp.text)

TXT文本的读取

encoding=\'utf-8\' 是有必要的,不然会报错。

with open(\"小说更新记录.txt\", \"r\", encoding=\'utf-8\') as f:  # 打开文件
   data = f.read()  # 读取文件

TXT文本的回写

with open(\"小说更新记录.txt\", \"w\", encoding=\'utf-8\') as f:  # 打开文件
   f.write(str(resp[-1]))  # 读取文件

BS4对HTML进行值的筛选

#表示识别标签

soup = BeautifulSoup(resp.text, \'lxml\')
soup.select(\'#chaptercontent\')

取列表元素最后一个

resp[-1]

将列表中的章节数字拿出

data_num = re.findall(r\'\\d+\', data)  # list

python特定位置的字符串截取

soup.text  str型
find(\'下一章\') 左边开始第一个索引
rfind(\'『点此报错\')   右边开始第一个索引
mytxt = soup.text[soup.text.find(\'下一章\'):soup.text.rfind(\'『点此报错\')]

字符串的拼接:

novel_save_location = \"./novel_downloads/逆天邪神第\"+str(download_num-1)+\"章.txt\"

小说保存时:

1.里面有空白,直接用

mytxt = mytxt.strip()

时没有去掉,不知道啥原因。我记得听网课说是:去掉空格,空白,换行符,其他好像都去了,最后还剩小说之间一些空白。

解决方式:因为没有发现是啥符号(notepad++),于是之间将空白拿过来用(copy)。

mytxt=mytxt.replace(\'  \', \'\\n\')
#目的是:在TXT文本中句子太长,于是我直接在每句话结束后换行。效果还行,与网站对比。

 

感谢观看!!!第一次写,好慢,好菜,回去写作业去了。呜呜呜

 


来源:https://www.cnblogs.com/bluemapleleaf/p/15974104.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » python爬虫之抓取小说(逆天邪神)

相关推荐

  • 暂无文章