python 爬取国内小说网站

目录

• 原理先行

• 实践篇

• 完整代码

原理先行

作为一个资深的小说爱好者，国内很多小说网站如出一辙，什么 🖊*阁啊等等，大都是 get 请求返回 html 内容，而且会有标志性的<dl><dd>等标签。
所以大概的原理，就是先 get 请求这个网站，然后对获取的内容进行清洗，写进文本里面，变成一个 txt，导入手机，方便看小说。

实践篇

之前踩过一个坑，一开始我看了几页小说，大概小说的内容网站是https://www.xxx.com/小说编号/章节编号.html，一开始看前几章，我发现章节编号是连续的， 于是我一开始想的就是记住起始章节编号，然后在循环的时候章节编号自增就行，后面发现草率了，可能看个 100 章之后，章节列表会出现断层现象，这个具体为啥 还真不知道，按理说小说编号固定，可以算是一个数据表，那里面的章节编号不就是一个自增 id 就完了嘛？有懂王可以科普一下！
所以这里要先获取小说的目录列表，并把目录列表洗成一个数组方便我们后期查找！getList.py文件：

定义一个请求书签的方法

# 请求书签地址
def req():
   url = "https://www.24kwx.com/book/4/4020/"
   strHtml = requests.get(url)
   return strHtml.text

将获取到的内容提取出（id:唯一值/或第 X 章小说）(name:小说的章节名称)（key:小说的章节 id）

# 定义一个章节对象
class Xs(object):
   def __init__(self,id,key,name):
       self._id = id
       self._key = key
       self._name = name

@property
   def id(self):
       self._id
   @property
   def key(self):
       self._key
   @property
   def name(self):
       self._name

def getString(self):
       return 'id:％s,name:％s,key:％s' ％(self._id,self._name,self._key)

# 转换成书列表
def tranceList():
   key = 0
   name = ""
   xsList = []
   idrule = r'/4020/(.+?).html'
   keyrule = r'第(.+?)章'
   html = req()
   html = re.split("</dt>",html)[2]
   html = re.split("</dl>",html)[0]
   htmlList = re.split("</dd>",html)
   for i in htmlList:
       i = i.strip()
       if(i):
           # 获取id
           id = re.findall(idrule,i)[0]
           lsKeyList = re.findall(keyrule,i)
           # 如果有章节
           if len(lsKeyList) > 0 :
               key = int(lsKeyList[0])
               lsname = re.findall(r'章(.+?)</a>',i)
           else :
               key = key + 1
           # 获取名字
           # lsname = re.findall(r'.html">(.+?)</a>',i)[0]
           # name = re.sub('，',' ', lsname, flags=re.IGNORECASE)
           name = re.findall(r'.html">(.+?)</a>',i)[0]
           xsobj = Xs(id,key,name)
           xsList.append(xsobj.getString())
   writeList(xsList)

注意一下我：如果你从别的语言转 py，第一次写object对象可能会比较懵，没错因为他的object是一个class，这里我创建的对象就是{id,key,name}但是你写入 txt 的时候还是要getString，所以后面想想我直接写个{id:xxx,name:xxx,key:xxx}的字符串不就完了，还弄啥class,后面还是想想给兄弟盟留点看点，就留着了

最后写入 txt 文件

# 写入到文本
def writeList(list):
   f = open("xsList.txt",'w',encoding='utf-8')
   # 这里不能写list，要先转字符串 TypeError: write() argument must be str, not list
   f.write('\n'.join(list))
   print('写入成功')

# 大概写完的txt是这样的
id:3798160,name:第1章 孙子，我是你爷爷,key:1
id:3798161,name:第2章 孙子，等等我！,key:2
id:3798162,name:第3章 天上掉下个亲爷爷,key:3
id:3798163,name:第4章 超级大客户,key:4
id:3798164,name:第5章 一张退婚证明,key:5

ok ! Last one
这里已经写好了小说的目录，那我们就要读取小说的内容，同理

先写个请求

# 请求内容地址
def req(id):
   url = "https://www.24kwx.com/book/4/4020/"+id+".html"
   strHtml = requests.get(url)
   return strHtml.text

读取我们刚刚保存的目录

def getList():
   f = open("xsList.txt",'r', encoding='utf-8')
   # 这里按行读取,读取完后line是个数组
   line = f.readlines()
   f.close()
   return line

定义好一个清洗数据的规则

contextRule = r'<div class="content">(.+?)<script>downByJs();</script>'
titleRule = r'<h1>(.+?)</h1>'
def getcontext(objstr):
   xsobj = re.split(",",objstr)
   id = re.split("id:",xsobj[0])[1]
   name = re.split("name:",xsobj[1])[1]
   html = req(id)
   lstitle = re.findall(titleRule,html)
   title = lstitle[0] if len(lstitle) > 0 else name
   context = re.split('<div id="content" class="showtxt">',html)[1]
   context = re.split('</div>',context)[0]
   context = re.sub('&nbsp;|\r|\n','',context)
   textList = re.split('<br />',context)
   textList.insert(0,title)
   for item in textList :
       writeTxt(item)
   print('％s--写入成功'％(title))

再写入文件

def writeTxt(txt):
   if txt :
       f = open("nr.txt",'a',encoding="utf-8")
       f.write(txt+'\n')

最后当然是串联起来啦

def getTxt():
   # 默认参数配置
   startNum = 1261 # 起始章节
   endNum = 1300 # 结束章节
   # 开始主程序
   f = open("nr.txt",'w',encoding='utf-8')
   f.write("")
   if endNum < startNum:
       print('结束条数必须大于开始条数')
       return
   allList = getList()
   needList = allList[startNum-1:endNum]
   for item in needList:
       getcontext(item)
       time.sleep(0.2)
   print("全部爬取完成")

完整代码

getList.py

import requests
import re

# 请求书签地址
def req():
   url = "https://www.24kwx.com/book/4/4020/"
   strHtml = requests.get(url)
   return strHtml.text

# 定义一个章节对象
class Xs(object):
   def __init__(self,id,key,name):
       self._id = id
       self._key = key
       self._name = name

@property
   def id(self):
       self._id
   @property
   def key(self):
       self._key
   @property
   def name(self):
       self._name

def getString(self):
       return 'id:％s,name:％s,key:％s' ％(self._id,self._name,self._key)

# 转换成书列表
def tranceList():
   key = 0
   name = ""
   xsList = []
   idrule = r'/4020/(.+?).html'
   keyrule = r'第(.+?)章'
   html = req()
   html = re.split("</dt>",html)[2]
   html = re.split("</dl>",html)[0]
   htmlList = re.split("</dd>",html)
   for i in htmlList:
       i = i.strip()
       if(i):
           # 获取id
           id = re.findall(idrule,i)[0]
           lsKeyList = re.findall(keyrule,i)
           # 如果有章节
           if len(lsKeyList) > 0 :
               key = int(lsKeyList[0])
               lsname = re.findall(r'章(.+?)</a>',i)
           else :
               key = key + 1
           # 获取名字
           # lsname = re.findall(r'.html">(.+?)</a>',i)[0]
           # name = re.sub('，',' ', lsname, flags=re.IGNORECASE)
           name = re.findall(r'.html">(.+?)</a>',i)[0]
           xsobj = Xs(id,key,name)
           xsList.append(xsobj.getString())
   writeList(xsList)

# 写入到文本
def writeList(list):
   f = open("xsList.txt",'w',encoding='utf-8')
   # 这里不能写list，要先转字符串 TypeError: write() argument must be str, not list
   f.write('\n'.join(list))
   print('写入成功')

def main():
   tranceList()

if __name__ == '__main__':
   main()

writeTxt.py

import requests
import re
import time

# 请求内容地址
def req(id):
   url = "https://www.24kwx.com/book/4/4020/"+id+".html"
   strHtml = requests.get(url)
   return strHtml.text

def getList():
   f = open("xsList.txt",'r', encoding='utf-8')
   # 这里按行读取
   line = f.readlines()
   f.close()
   return line

contextRule = r'<div class="content">(.+?)<script>downByJs();</script>'
titleRule = r'<h1>(.+?)</h1>'
def getcontext(objstr):
   xsobj = re.split(",",objstr)
   id = re.split("id:",xsobj[0])[1]
   name = re.split("name:",xsobj[1])[1]
   html = req(id)
   lstitle = re.findall(titleRule,html)
   title = lstitle[0] if len(lstitle) > 0 else name
   context = re.split('<div id="content" class="showtxt">',html)[1]
   context = re.split('</div>',context)[0]
   context = re.sub('&nbsp;|\r|\n','',context)
   textList = re.split('<br />',context)
   textList.insert(0,title)
   for item in textList :
       writeTxt(item)
   print('％s--写入成功'％(title))

def writeTxt(txt):
   if txt :
       f = open("nr.txt",'a',encoding="utf-8")
       f.write(txt+'\n')

def getTxt():
   # 默认参数配置
   startNum = 1261 # 起始章节
   endNum = 1300 # 结束章节
   # 开始主程序
   f = open("nr.txt",'w',encoding='utf-8')
   f.write("")
   if endNum < startNum:
       print('结束条数必须大于开始条数')
       return
   allList = getList()
   needList = allList[startNum-1:endNum]
   for item in needList:
       getcontext(item)
       time.sleep(0.2)
   print("全部爬取完成")

def main():
   getTxt()

if __name__ == "__main__":
   main()

来源：https://github.com/2277419213/novel-crawler