python实现爬取逐浪小说的方法

本文实例讲述了python实现爬取逐浪小说的方法。分享给大家供大家参考。具体分析如下:

本人喜欢在网上看小说,一直使用的是小说下载阅读器,可以自动从网上下载想看的小说到本地,比较方便。最近在学习python的爬虫,受此启发,突然就想到写一个爬取小说内容的脚本玩玩。于是,通过在逐浪上面分析源代码,找出结构特点之后,写了一个可以爬取逐浪上小说内容的脚本。

具体实现功能如下:输入小说目录页的url之后,脚本会自动分析目录页,提取小说的章节名和章节链接地址。然后再从章节链接地址逐个提取章节内容。现阶段只是将小说从第一章开始,每次提取一章内容,回车之后提取下一章内容。其他网站的结果可能有不同,需要做一定修改。在逐浪测试过正常。

现分享此代码,一是做个记录,方便自己以后回顾。二么也想抛砖引玉,希望各路大神不吝赐教。

#-*-coding:utf8-*-
#!/usr/bin/python
# python: 2.7.8
# platform: windows
# program: get novels from internet
# author: wucl
# description: get novels
# version: 1.0
# history: 2015.5.27 完成目录和url提取
# 2015.5.28 完成目录中正则提取第*章,提取出章节链接并下载。在逐浪测试下载无误。
from bs4 import beautifulsoup
import urllib2,re
def get_menu(url):
“””get chapter name and its url”””
user_agent = “mozilla/5.0 (windows nt 6.1; wow64; rv:39.0) gecko/20100101 firefox/39.0″
headers = {‘user-agent’:user_agent}
req = urllib2.request(url,headers = headers)
page = urllib2.urlopen(req).read()
soup = beautifulsoup(page)
novel = soup.find_all(‘title’)[0].text.split(‘_’)[0]
# 提取小说名
menu = []
all_text = soup.find_all(‘a’,target=”_blank”)
# 提取记载有小说章节名和链接地址的模块
regex=re.compile(ur’\u7b2c.+\u7ae0′)
# 中文正则匹配第..章,去除不必要的链接
for title in all_text:
if re.findall(regex,title.text):
name = title.text
x = [name,title[‘href’]]
menu.append(x)
# 把记载有小说章节名和链接地址的列表插入列表中
return menu,novel
def get_chapter(name,url):
“””get every chapter in menu”””
html=urllib2.urlopen(url).read()
soup=beautifulsoup(html)
content=soup.find_all(‘p’) # 提取小说正文
return content[0].text
if __name__==”__main__”:
url=raw_input(“””input the main page’s url of the novel in zhulang\n then press enter to continue\n”””)
if url:
menu,title=get_menu(url)
print title,str(len(menu))+’\n press enter to continue \n’
# 输出获取到的小说名和章节数
for i in menu:
chapter=get_chapter(i[0],i[1])
raw_input()
print ‘\n’+i[0]+’\n’
print chapter
print ‘\n’

希望本文所述对大家的python程序设计有所帮助。

Posted in 未分类