Crawler：利用Beautifulsoup库+find_all方法实现下载在线书架小说《星祖的电影世界》

Crawler：利用Beautifulsoup库+find_all方法实现下载在线书架小说《星祖的电影世界》

目录

输出结果

核心代码

输出结果

核心代码

  

   

    

     

    
    

     

      # -*- coding: utf-8 -*-
     
    
   

    

     

    
    

     

      '''
     
    
   

    

     

    
    

     

      Created on 2018年4月7日
     
    
   

    

     

    
    

     

      
     
    
   

    

     

    
    

     

      @author: niu
     
    
   

    

     

    
    

     

      '''
     
    
   

    

     

    
    

     

      #Py之Crawler：利用beautifulsoup+find_all方法实现下载在线书架小说《星祖的电影世界》
     
    
   

    

     

    
    

     

      #find_all方法的第一个参数是获取的标签名，第二个参数class_是标签的属性。
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      from bs4 import BeautifulSoup
     
    
   

    

     

    
    

     

      import requests, sys
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      class downloader(object):
     
    
   

    

     

    
    

     
 def __init__(self):
     
    
   

    

     

    
    

     

       self.server = 'http://www.biqukan.com/'
     
    
   

    

     

    
    

     

       self.target = 'http://www.biqukan.com/50_50927/'
     
    
   

    

     

    
    

     

       self.names = [] #存放章节名
     
    
   

    

     

    
    

     

       self.urls = [] #存放章节链接
     
    
   

    

     

    
    

     

       self.nums = 0 #章节数
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 def get_download_url(self): #获取下载链接
     
    
   

    

     

    
    

     

       req = requests.get(url = self.target)
     
    
   

    

     

    
    

     

       html = req.text
     
    
   

    

     

    
    

     

       div_bf = BeautifulSoup(html)  #利用beautifulsoup提取内容
     
    
   

    

     

    
    

     

       div = div_bf.find_all('div', class_ = 'listmain') #通过审查元素发现全书各个章节存放在了class属性为listmain的div标签下，各章之间差别就在于这些章节的【href】属性不一样，而且其属性正好对应着每一章节URL后半部分，那这样，我们就可以根据标签的href属性值获得每个章节的链接和名称了。
     
    
   

    

     

    
    

     

       a_bf = BeautifulSoup(str(div[0]))
     
    
   

    

     

    
    

     

       a = a_bf.find_all('a')  
     
    
   

    

     

    
    

     

       self.nums = len(a[14:]) #剔除不必要的章节，并统计章节数
     
    
   

    

     

    
    

     
 for each in a[14:]:
     
    
   

    

     

    
    

     

       self.names.append(each.string)
     
    
   

    

     

    
    

     

       self.urls.append(self.server + each.get('href')) #再接着提取章节名和章节文章
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 def get_contents(self, target): #获取章节内容，target下载连接(string)，texts章节内容(string)
     
    
   

    

     

    
    

     

       req = requests.get(url = target)
     
    
   

    

     

    
    

     

       html = req.text
     
    
   

    

     

    
    

     

       bf = BeautifulSoup(html)
     
    
   

    

     

    
    

     

       texts = bf.find_all('div', class_ = 'showtxt') #观察不同标签发现class属性为showtxt的div标签只有一个！这个标签里面存放的内容，是我们需要的小说正文
     
    
   

    

     

    
    

     

       texts = texts[0].text.replace('\xa0'*8,'\n\n')  #replace方法，剔除空格，替换为回车进行分段。 在html中是用来表示空格的。replace(‘\xa0’*8,’\n\n’)就是去掉下图的八个空格符号，并用回车代替
     
    
   

    

     

    
    

     
 return texts
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 def writer(self, name, path, text): #将爬取的文章内容写入文件
     
    
   

    

     

    
    

     

       write_flag = True
     
    
   

    

     

    
    

     
 with open(path, 'a', encoding='utf-8') as f: #当前路径下,小说保存名称(string)
     
    
   

    

     

    
    

     

       f.write(name + '\n')  #章节名称(string)
     
    
   

    

     

    
    

     

       f.writelines(text)  #章节内容(string)
     
    
   

    

     

    
    

     

       f.write('\n\n')
     
    
   

    

     

    
    

     

      if __name__ == "__main__":
     
    
   

    

     

    
    

     

       dl = downloader()
     
    
   

    

     

    
    

     

       dl.get_download_url()
     
    
   

    

     

    
    

     

       print('《星祖的电影世界》开始下载：')
     
    
   

    

     

    
    

     
 for i in range(dl.nums):
     
    
   

    

     

    
    

     

       dl.writer(dl.names[i], '星祖的电影世界.txt', dl.get_contents(dl.urls[i]))
     
    
   

    

     

    
    

     

       sys.stdout.write(" 已下载:%.3f%%" %  float(i/dl.nums) + '\r')
     
    
   

    

     

    
    

     

       sys.stdout.flush()
     
    
   

    

     

    
    

     

       print('《星祖的电影世界》下载完成')
     
    
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/79859059