python制作小說爬蟲實(shí)錄
紀(jì)念我的第一個(gè)爬蟲程序，一共寫了三個(gè)白天，其中有兩個(gè)上午沒有看，中途遇到了各種奇怪的問題，伴隨著他們的解決，對(duì)于一些基本的操作也弄清楚了。果然，對(duì)于這些東西的最號(hào)的學(xué)習(xí)方式，就是在使用中學(xué)習(xí)，通過解決問題的方式來搞定這些知識(shí)。按需索取，才能更有針對(duì)性。
大體記錄下整個(gè)過程。
--------------------------------------------------------------------------------
準(zhǔn)備構(gòu)思
出于對(duì)于python的熱愛，想要嘗試一些練手的項(xiàng)目，但是不論是看書，還是直接嘗試別人的項(xiàng)目，到最后都會(huì)淪為不停地復(fù)制粘貼...最實(shí)際的就是自己來上手親自寫代碼。思路都是一樣的，但是具體的實(shí)現(xiàn)還得靠自己。
以前的復(fù)制粘貼給我的幫助也就是告訴了我大致的流程。
確定目標(biāo)網(wǎng)址
目標(biāo)網(wǎng)址是關(guān)鍵。我夢(mèng)想中的爬蟲是那種偏向于更智能的，直接給他一個(gè)想要獲取的關(guān)鍵詞，一步步的流程直接自己完成，可以自己給定范圍，也可以直接爬取整個(gè)互聯(lián)網(wǎng)或者更實(shí)際的就是整個(gè)百度上的內(nèi)容，但是，目前就我而言，見到的爬蟲，都是給定目標(biāo)網(wǎng)址，通過目標(biāo)頁面上的內(nèi)容進(jìn)一步執(zhí)行規(guī)定的操作，所以現(xiàn)在來看，我們?cè)趯懪老x之前，需要確定一個(gè)基準(zhǔn)頁面，這個(gè)是需要我們事先制定的。在考慮我們需要程序完成怎樣的功能，獲取頁面文本還是相關(guān)鏈接內(nèi)容還是其他的目的。
我這個(gè)程序想要獲取的是《劍來》小說，把各個(gè)章節(jié)的內(nèi)容爬去下載存儲(chǔ)到文件里。
編程只是實(shí)現(xiàn)目的的工具。
所以重點(diǎn)是分析我們的需求。
獲取小說目錄頁面是基本。這里有各個(gè)章節(jié)的鏈接，標(biāo)題等等內(nèi)容。這是我們需要的。
有了各個(gè)章節(jié)的鏈接，就需要進(jìn)入其中獲得各個(gè)章節(jié)的內(nèi)容。
所以，我們需要獲得頁面內(nèi)容，需要從中獲得目標(biāo)內(nèi)容。
所以使用 urllib.request，re 庫。
前者用來獲得網(wǎng)頁內(nèi)容，后者獲得目標(biāo)信息。
headers
直接使用urllib.request的urlopen()，read()方法是會(huì)報(bào)以下錯(cuò)誤：
raise HTTPError(req.get_full_url(), code, msg, hdrs, fp) HTTPError: HTTP Error 403: Forbidden
出現(xiàn)urllib2.HTTPError: HTTP Error 403: Forbidden錯(cuò)誤是由于網(wǎng)站禁止爬蟲，可以在請(qǐng)求加上頭信息，偽裝成瀏覽器。
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：這里存在兩個(gè)容易出問題的地方。
•編碼：編碼問題是使用爬蟲中有時(shí)候會(huì)很頭痛的問題，由于網(wǎng)頁源代碼編碼格式不明確，所以這里嘗試了許久。
使用chardet庫的detect()方法可以檢測(cè)字節(jié)字符串的編碼。所以直接檢測(cè)這里的html(先不要解碼)。輸出的是GB2312，但是在后面頁面的爬取中，會(huì)出現(xiàn)提示有的字符的編碼異常，所以這里采取了比其范圍更廣的中文字符集GBK，解決了這個(gè)問題。
•設(shè)置超時(shí)范圍：由于頻繁的獲取網(wǎng)頁內(nèi)容，目標(biāo)網(wǎng)站有時(shí)候會(huì)出現(xiàn)沒有響應(yīng)的問題。
（這個(gè)問題可以見我在CSDN上的提問：關(guān)于python爬蟲程序中途停止的問題）
于是我采取了捕獲 urlopen()的socket.timeout異常，并在出現(xiàn)異常的時(shí)候再循環(huán)訪問，直到獲得目標(biāo)頁面。
獲得目標(biāo)內(nèi)容
這里使用的是正則表達(dá)式。re模塊。這里的使用并不復(fù)雜。
首先需要一個(gè)模式字符串。以re.I指定忽略大小寫，編譯后的對(duì)象擁有本身匹配的方法，這里使用的是findall()，返回一個(gè)所有結(jié)果組成的列表?？梢约皶r(shí)返回輸出其內(nèi)容，進(jìn)而選擇合適的部分進(jìn)行處理。
python 正則表達(dá)式
通過查看相關(guān)的符號(hào)，這里使用(.+?)來實(shí)現(xiàn)匹配非貪婪模式(盡量少的)下任意無限字符，對(duì)之使用()，進(jìn)而匹配括號(hào)內(nèi)的模式。
文件寫入
使用with open() as file:，進(jìn)而可以處理文件。并且可以自動(dòng)執(zhí)行打開和關(guān)閉文件，更為便捷安全。
with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:
•這里也要注意編碼的問題，指定utf-8。會(huì)避免一些問題。
•這里使用w+模式，追加寫文件。
完整代碼
# -*- 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文件打開', 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' (.+?)<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' (.+?)<br />', 'findall', html_nextchapter))
for text in findall_article:
open_file.write(text + '\n')
time.sleep(1)
print('文件寫入完畢')
相關(guān)文章
python使用PIL縮放網(wǎng)絡(luò)圖片并保存的方法
這篇文章主要介紹了python使用PIL縮放網(wǎng)絡(luò)圖片并保存的方法,涉及Python操作網(wǎng)絡(luò)圖片的相關(guān)技巧,非常具有實(shí)用價(jià)值,需要的朋友可以參考下2015-04-04
今天小編就為大家分享一篇關(guān)于Python異常的檢測(cè)和處理方法，小編覺得內(nèi)容挺不錯(cuò)的，現(xiàn)在分享給大家，具有很好的參考價(jià)值，需要的朋友一起跟隨小編來看看吧2018-10-10
PyQt5 QTreeWidget 樹形結(jié)構(gòu)遞歸遍歷當(dāng)前所有節(jié)點(diǎn)的實(shí)現(xiàn)
Qt中實(shí)現(xiàn)樹形結(jié)構(gòu)可以使用QTreeWidget類，也可以使用QTreeView類，本文主要介紹了PyQt5 QTreeWidget 樹形結(jié)構(gòu)遞歸遍歷當(dāng)前所有節(jié)點(diǎn)的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-11-11
這篇文章主要介紹了Python 常用 PEP8 編碼規(guī)范詳解的相關(guān)資料,需要的朋友可以參考下2017-01-01
這篇文章主要介紹了在Django中限制已登錄用戶的訪問的方法,Django是最具人氣的Python開發(fā)框架,需要的朋友可以參考下2015-07-07
這篇文章主要介紹了Python中求對(duì)數(shù)方法總結(jié)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03
這篇文章主要介紹了python之dlib庫的詳細(xì)安裝方法,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python的小伙伴們有很好的幫助,需要的朋友可以參考下2021-04-04
基于Python實(shí)現(xiàn)用戶管理系統(tǒng)
這篇文章主要為大家詳細(xì)介紹了基于Python實(shí)現(xiàn)用戶管理系統(tǒng)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-02-02
Python運(yùn)行的慢是歷來被詬病的，本文就來介紹一下python運(yùn)行加速的幾種方式，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-07-07
這篇文章主要介紹了pytest框架之fixture詳細(xì)使用詳解，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04