Python 爬虫：爬取小说花千骨

1.Beautiful Soup

1.Beautifulsoup 简介

此次实战从网上爬取小说，需要使用到Beautiful Soup。

Beautiful Soup为python的第三方库，可以帮助我们从网页抓取数据。

它主要有如下特点：

• 1.Beautiful Soup可以从一个HTML或者XML提取数据，它包含了简单的处理、遍历、搜索文档树、修改网页元素等功能。可以通过很简短地代码完成我们地爬虫程序。
• 2.Beautiful Soup几乎不用考虑编码问题。一般情况下，它可以将输入文档转换为unicode编码，并且以utf-8编码方式输出，

2.Beautiful Soup安装

win命令行下：

pip install beautifusoup4

3.Beautiful Soup基础

大家可以参考文档来学习（中文版的哦）：http://beautifulsoup.readthedocs.io/zh_CN/latest/#id8

对于本次爬虫任务，只要了解以下几点基础内容就可以完成：

1.Beautiful Soup的对象种类：

• Tag
• Navigablestring
• BeautifulSoup
• Comment

2.遍历文档树：find、find_all、find_next和children

3.一点点HTML和CSS知识（没有也将就，现学就可以）

2.爬取小说花千骨

1.爬虫思路分析

本次爬取小说的网站为136书屋。

先打开花千骨小说的目录页，是这样的。

我们的目的是找到每个目录对应的url，并且爬取其中地正文内容，然后放在本地文件中。

2.网页结构分析

首先，目录页左上角有几个可以提高你此次爬虫成功后成就感的字眼：暂不提供花千骨txt全集下载。

继续往下看，发现是最新章节板块，然后便是全书的所有目录。我们分析的对象便是全书所有目录。点开其中一个目录，我们便可以都看到正文内容。

按F12打开审查元素菜单。可以看到网页前端的内容都包含在这里。

我们的目的是要找到所有目录的对应链接地址，爬取每个地址中的文本内容。

有耐心的朋友可以在里面找到对应的章节目录内容。有一个简便方法是点击审查元素中左上角箭头标志的按钮，然后选中相应元素，对应的位置就会加深显示。

这样我们可以看到，每一章的链接地址都是有规则地存放在<li>中。而这些<li>又放在<div id=”book_detail” class=”box1″>中。

我不停地强调“我们的目的”是要告诉大家，思路很重要。爬虫不是约pao，蒙头就上不可取。

3.单章节爬虫

刚才已经分析过网页结构。我们可以直接在浏览器中打开对应章节的链接地址，然后将文本内容提取出来。

我们要爬取的内容全都包含在这个<div>里面。

代码整理如下：

from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == ‘__main__’:

    # 第8章的网址

    url = ‘http://www.136book.com/huaqiangu/ebxeew/’

    head = {}

    # 使用代理

    head[‘User-Agent’] = ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19’

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    # 创建request对象

    soup = BeautifulSoup(html, ‘lxml’)

    # 找出div中的内容

    soup_text = soup.find(‘div’, id = ‘content’)

    # 输出其中的文本

    print(soup_text.text)

运行结果如下：

这样，单章节内容爬取就大功告成了。

4.小说全集爬虫

单章节爬虫我们可以直接打开对应的章节地址解析其中的文本，全集爬虫我们不可能让爬虫程序在每章节网页内中跑一遍，如此还不如复制、粘贴来的快。

我们的思路是先在目录页中爬取所有章节的链接地址，然后再爬取每个链接对应的网页中的文本内容。说来，就是比单章节爬虫多一次解析过程，需要用到Beautiful Soup遍历文档树的内容。

1.解析目录页

在思路分析中，我们已经了解了目录页的结构。所有的内容都放在一个所有的内容都放在一个<div id=”book_detail” class=”box1″>中。

这儿有两个一模一样的<div id=”book_detail” class=”box1″>。

第一个<div>包含着最近更新的章节，第二个<div>包含着全集内容。

请注意，我们要爬取的是第二个<div>中的内容。

代码整理如下：

from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == ‘__main__’:

    # 目录页

    url = ‘http://www.136book.com/huaqiangu/’

    head = {}

    head[‘User-Agent’] = ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19’

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    # 解析目录页

    soup = BeautifulSoup(html, ‘lxml’)

    # find_next找到第二个<div>

    soup_texts = soup.find(‘div’, id = ‘book_detail’, class_= ‘box1’).find_next(‘div’)

    # 遍历ol的子节点，打印出章节标题和对应的链接地址

    for link in soup_texts.ol.children:

        if link != ‘\n’:

            print(link.text + ‘:  ‘, link.a.get(‘href’))

执行结果如图：

2.爬取全集内容

将每个解析出来的链接循环代入到url中解析出来，并将其中的文本爬取出来，并且写到本地F：/huaqiangu.txt中。

代码整理如下：

from urllib import request

from bs4 import BeautifulSoup

 

if __name__ == ‘__main__’:

    url = ‘http://www.136book.com/huaqiangu/’

    head = {}

    head[‘User-Agent’] = ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19’

    req = request.Request(url, headers = head)

    response = request.urlopen(req)

    html = response.read()

    soup = BeautifulSoup(html, ‘lxml’)

    soup_texts = soup.find(‘div’, id = ‘book_detail’, class_= ‘box1’).find_next(‘div’)

    # 打开文件

    f = open(‘F:/huaqiangu.txt’,‘w’)

    # 循环解析链接地址

    for link in soup_texts.ol.children:

        if link != ‘\n’:

            download_url = link.a.get(‘href’)

            download_req = request.Request(download_url, headers = head)

            download_response = request.urlopen(download_req)

            download_html = download_response.read()

            download_soup = BeautifulSoup(download_html, ‘lxml’)

            download_soup_texts = download_soup.find(‘div’, id = ‘content’)

            # 抓取其中文本

            download_soup_texts = download_soup_texts.text

            # 写入章节标题

            f.write(link.text + ‘\n\n’)

            # 写入章节内容

            f.write(download_soup_texts)

            f.write(‘\n\n’)

    f.close()

执行结果显示 [Finished in 32.3s] 。

打开F盘查看花千骨文件。

爬虫成功。备好纸巾，快快去感受尊上和小骨的虐恋吧。

5.总结

代码还有很多改进的地方。例如文本中包含广告的js代码可以去除，还可以加上爬虫进度显示等等。实现这些功能需要包含正则表达式和os模块知识，就不多说了，大家可以继续完善。