正文

python 爬取全本免费小说网的小说

IP云
IP云V管理员/3 阅读
11/30
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

这几天朋友说想看电子书，但是只能在网上看，不能下载到本地后看，问我有啥办法？我找了好几个小说网址看了下，你只能直接在网上看，要下载txt要冲钱买会员，而且还不能在浏览器上直接复制粘贴。之后我就想到python的爬虫不就可以爬取后下载吗？

码源下载：

https://github.com/feiquan123/GetEBook/

思路：

首先，选择网址：http://www.yznnw.com/files/article/html/1/1129/index.html 这个是全本免费小说网上《龙血战神》的网址：

F12,分析网页元素，可以看到，在此页的 .zjlist4 li a 下存放了所有章节的URL，首先我们要获取这些url放在一个数组里。然后循环遍历下载

有了这些网址后开始分析具体的每一章：

书名：

章节名：

内容：

下一章：

有了这些信息我们就可以开始爬取了（其实这里可以不爬取下一章的，主要我之前的思路是：下载小说的第一章后，返回小说的下一章，之后不断递归直到最后一页，这么做后下载速度慢，不能并发，还有就是一直递归占用资源大，一直请求服务器会断开连接，导致失败）

所以我换成了这种思路：就是先获取所有的章节的网页连接，再用线程（你也可以用进程）开始下载，果然速度上升了好多，

但是，仔细分析后发现，其实有些章节是作者的感言啥的，这些是不用下载的，而真正的章节的标题一定含有：****章*****，所以要用正则排除掉（这个要具体分析，不一定每个作者的感言标题都是这样的，不过直接使用此程序也可以，这样也没啥）

代码如下： 

#coding:utf-

import urllib

import urllib.request

import multiprocessing

from bs4 import BeautifulSoup

import re

import os

import time

def get_pages(url):

    soup=""

    try:

        # 创建请求日志文件夹

        if 'Log' not in os.listdir('.'):

            os.mkdir(r".\Log")

        # 请求当前章节页面  params为请求参数

        request = urllib.request.Request(url)

        response = urllib.request.urlopen(request)

        content = response.read()

        data = content.decode('gbk')

        # soup转换

        soup = BeautifulSoup(data, "html.parser")

    except Exception as e:

        print(url+" 请求错误\n")

        with open(r".\Log\req_error.txt",'a',encoding='utf-8') as f:

            f.write(url+" 请求错误\n")

        f.close()

    return soup

# 通过章节的url下载内容，并返回下一页的url

def get_ChartTxt(url,title,num):

    soup=get_pages(url)

    # 获取章节名称

    subtitle = soup.select('#htmltimu')[].text

    # 判断是否有感言

    if re.search(r'.*?章', subtitle) is  None:

        return

    # 获取章节文本

    content = soup.select('#htmlContent')[].text

    # 按照指定格式替换章节内容，运用正则表达式

    content = re.sub(r'\(.*?\)', '', content)

    content = re.sub(r'\r\n', '', content)

    content = re.sub(r'\n+', '\n', content)

    content = re.sub(r'<.*?>+', '', content)

    # 单独写入这一章

    try:

        with open(r'.\%s\%s %s.txt' % (title, num,subtitle), 'w', encoding='utf-8') as f:

            f.write(subtitle + content)

        f.close()

        print(num,subtitle, '下载成功')

    except Exception as e:

        print(subtitle, '下载失败',url)

        errorPath='.\Error\%s'%(title)

        # 创建错误文件夹

        try :

            os.makedirs(errorPath)

        except Exception as e:

            pass

        #写入错误文件

        with open("%s\error_url.txt"%(errorPath),'a',encoding='utf-8') as f:

            f.write(subtitle+"下载失败 "+url+'\n')

        f.close()

    return

# 通过首页获得该小说的所有章节链接后下载这本书

def thread_getOneBook(indexUrl):

    soup = get_pages(indexUrl)

    # 获取书名

    title = soup.select('#htmldhshuming')[].text

    # 根据书名创建文件夹

    if title not in os.listdir('.'):

        os.mkdir(r".\%s" % (title))

        print(title, "文件夹创建成功———————————————————")

    # 加载此进程开始的时间

    print('下载 %s 的PID：%s...' % (title, os.getpid()))

    start = time.time()

    # 获取这本书的所有章节

    charts_url = []

    # 提取出书的每章节不变的url

    indexUrl = re.sub(r'index.html', '', indexUrl)

    charts = soup.select(".zjlist4 li a")

    for i in charts:

        # print(j+i.attrs['href'])

        charts_url.append(indexUrl + i.attrs['href'])

    # 创建下载这本书的进程

    p = multiprocessing.Pool()

    #自己在下载的文件前加上编号，防止有的文章有上，中，下三卷导致有3个第一章

    num=

    for i in charts_url:

        p.apply_async(get_ChartTxt, args=(i,title,num))

        num+=

    print('等待 %s 所有的章节被加载......' % (title))

    p.close()

    p.join()

    end = time.time()

    print('下载 %s  完成，运行时间  %0.2f s.' % (title, (end - start)))

    print('开始生成 %s ................' %title )

    sort_allCharts(r'.',"%s.txt"%title)

    return

# 创建下载多本书书的进程

def process_getAllBook(base):

    # 输入你要下载的书的首页地址

    print('主程序的PID：%s' % os.getpid())

    book_indexUrl=[

        'http://www.yznnw.com/files/article/html/1/1129/index.html',

        'http://www.yznnw.com/files/article/html/29/29931/index.html',

        'http://www.yznnw.com/files/article/html/0/868/index.html'

    ]

    print("-------------------开始下载-------------------")

    p = []

    for i in book_indexUrl:

        p.append(multiprocessing.Process(target=thread_getOneBook, args=(i,)))

    print("等待所有的主进程加载完成........")

    for i in p:

        i.start()

    for i in p:

        i.join()

    print("-------------------全部下载完成-------------------")

    return


#合成一本书

def sort_allCharts(path,filename):

    lists=os.listdir(path)

    # 对文件排序

    # lists=sorted(lists,key=lambda i:int(re.match(r'(\d+)',i).group()))

    lists.sort(key=lambda i:int(re.match(r'(\d+)',i).group()))

    # 删除旧的书

    if os.path.exists(filename):

        os.remove(filename)

        print('旧的 %s 已经被删除'%filename)

    # 创建新书

    with open(r'.\%s'%(filename),'a',encoding='utf-8') as f:

        for i in lists:

            with open(r'%s\%s' % (path, i), 'r', encoding='utf-8') as temp:

                f.writelines(temp.readlines())

            temp.close()

    f.close()

    print('新的 %s 已经被创建在当前目录 %s '%(filename,os.path.abspath(filename)))

    return

if __name__=="__main__":

    # # 主页

    base = 'http://www.yznnw.com'

    # 下载指定的书

    process_getAllBook(base)
　　　#如果下载完出现卡的话，请单独执行如下命令

    # sort_allCharts(r'.\龙血战神',"龙血战神.txt")

如果要下载其他书的话，找到书的首页，添加到如下位置：

找书的首页URL，随便点开一章，删除后面的***.html,后回车，就是这本书的首页URL。

运行结果：

请求URL失败的网页放在，Log\req_error.txt中

爬取失败的章节存放在这本书的目录下的error_url.txt中

之后，你可以使用电子书生成器，生成就好，也可以在跟目录下看到相应的总的小说：

这个是我爬了3本书的结果，爬完后程序卡了，只能结束掉，单独执行最后一条命令了。。。。。。。。

手机端打开，目录也正确 

版权

作者：feiquan

出处：http://www.cnblogs.com/feiquan/

版权声明：本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

大家写文都不容易，请尊重劳动成果~ 这里谢谢大家啦(*/ω＼*)

相关阅读

目录[+]