Python版本： Python3.x
一、库文件
re sys BeautifulSoup urllib.request time
二、实战
建站客服QQ：88888888
（1）背景介绍
从乐文小说网站上爬取小说相见欢，并存放至txt文件中
URL： 相见欢
（2）Beautifu Soup库的简介
{jz:field.toptypename/}简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
详细请戳这里：Beautiful Soup 4.2.0文档
（3）实战进行中……
【重要】：python想要使用汉字，需要在脚本最前面添加 #coding:utf-8，汉字使用的编码为utf-8，否则会出现错误）
首先，庄闲和app我们引入我们需要的库文件
#coding:utf-8 import re import sys from bs4 import BeautifulSoup import urllib.request import urllib.request import time
（本次教程的网站没有反爬虫机制，可以选择跳过）
headers = ('User-Agent',
'Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1') opener = urllib.request.build_opener() opener.addheaders = {headers} urllib.request.install_opener(opener) 我们从爬取单章开始，首先我们进入第一张的网址相见欢-第一章
url = " file = urllib.request.urlopen(url) data = BeautifulSoup(file , from_encoding="utf8")
from_encoding="utf8"
我们需要将内容进行转码，否则中文将会以乱码形式出现
我们首先获取这章的名称
section_name = data.title.string print(section_name) 运行结果：
图片
section_name = data.title.string
图片
我们利用这句话获取文章的章名（我认为比较简便的一种方法）
接下来我们需要获取这章的内容！！（不然看什么小说呢？）
我们按F12进入开发者功能，找出存放内容的标签
图片
按照父子顺序细细划分
图片
图片
图片
图片
于是，我们寻找到了存放内容的标签
用下述语句将内容存放至section_text中
section_text = data.select('#bgdiv .border_l_r #content p')[0].text
按照指定格式替换章节内容，运用正则表达式
section_text=re.sub( '\s+', '\r\n\t', section_text).strip('\r\n')
运行结果
图片
至此，我们单章爬取任务完成
接下来我们任务当然是获取整本小说的内容了！
首先我们来比较一下每一章的网址
第一章：http://www.lewendu8.com/books/21/21335/6381842.html
第二章：http://www.lewendu8.com/books/21/21335/6381843.html
……
因此URL的构成：http://www.lewendu8.com/books/21/21335/章节序号.html
我们观察网页源代码可以发现：
图片
其中next_page = "6381843.html"便是下一章的章节序号
因此我们在每个网页访问结束时，便可以进行访问下一章的网址
这里我们使用正则匹配获取下一章的章节序号
pt_nexturl = 'var next_page = "(.*?)"'
nexturl_num = re.compile(pt_nexturl).findall(str(data))
nexturl_num = nexturl_num[0]
当我们访问到相见欢最后一章时
图片
当访问到最后一章时，我们的小说已经全部爬取结束
此时正则匹配到的信息为："http://www.lewendu8.com/books/21/21335/"
于是我们可以通过这个判断我们是否爬取结束
if(nexturl == 'http://www.lewendu8.com/books/21/21335/'):break
当我们爬取到了内容当然要进行文件读写进行存放
fp = open('相见欢.txt','a')
section_text = section_text
fp.write(section_name+"\n")
fp.write(section_text+"\n")
至此，本次爬取结束~您就可以将txt文件存放到手机上，看小说喽~
三、完整代码
#coding:utf-8#author:Ericam_import reimport sysfrom bs4
import BeautifulSoupimport urllib.requestimport timeheaders = (
'User-Agent',
'Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1')opener = urllib.request.build_opener()opener.addheaders = {headers}urllib.request.install_opener(opener)def get_download(url):file = urllib.request.urlopen(url)data = BeautifulSoup(file , from_encoding=
"utf8")section_name = data.title.stringsection_text = data.select(
'#bgdiv .border_l_r #content p')[
0].textsection_text=re.sub(
'\s+',
'\r\n\t', section_text).strip(
'\r\n')fp = open(
'2.txt',
'a')fp.write(section_name+
"\n")fp.write(section_text+
"\n")fp.close()pt_nexturl =
'var next_page = "(.*?)"'nexturl_num = re.compile(pt_nexturl).findall(str(data))nexturl_num = nexturl_num[
0]return nexturl_numif __name__ ==
'__main__':url =
"http://www.lewendu8.com/books/21/21335/6381842.html"num =
228index =
1get_download(url)while(
True):nexturl = get_download(url)index +=
1sys.stdout.write(
"已下载:%.3f%%" % float(index/num*
100) +
'\n')sys.stdout.flush()url =
"http://www.lewendu8.com/books/21/21335/"+nexturlif(nexturl ==
'http://www.lewendu8.com/books/21/21335/'):breakprint(time.clock())
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。
备案号: