Python爬取豆瓣电子小说
2017-10-24 本文已影响0人
Treehl
准备工作
安装BeautifulSoup模块
pip install BeautifulSoup4
第一步：分析网页
登陆https://read.douban.com/kind/100打开Chrome开发者工具（F12），如下图所示：
我们得到如下信息
- 小说列表在页面位置为class属性为item store-item的ul标签中
- 小说信息在ul标签下的li标签中
第二步：使用requets下载网页源码
import requests
download_url = 'https://read.douban.com/kind/100'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'
}
def download_page(url):
data = requests.get(url, headers=headers).content
return data
def main():
url = download_url
print download_page(download_url)
if __name__ == '__main__':
main()
简单测试下，运行后得到的结果
<!DOCTYPE html><html lang="zh-CN" class="ua-windows ua-chrome ua-chrome61 ua-webkit is-anonymous" ><head><meta charset="utf-8"><meta http-equiv="Pragma" content="no-cache"><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta http-equiv="Expires" content="Sun, 6 Mar 2005 01:00:00 GMT"><meta name="google-site-verification" content="Wyui6dsg_StZ9K3rJ6xtsNbxPhELyhMkEp2MsAhviBQ"><meta property="weixin:image" ...............................
上面的代码中User-Agent将创建请求的浏览器和用户代理名称等信息传递给服务器，服务器通过校验请求的U-A来识别爬虫，这算是最简单的一种反爬虫机制了。
在开发者功能（F12）的Network中我们可以找到U-A
当我们拿到网页源码之后，就需要解析HTML源码了。这里，我们使用BeautifulSoup来搞定这件事。
1.from bs4 import BeautifulSoup
2.def parse_html(html):
3. soup = BeautifulSoup(html, 'html.parser')
4. read_list_soup = soup.find('ul', attrs={'class': 'list-lined ebook-list column-list'})
5. for read_li in read_list_soup.find_all('li', attrs={'class': 'item store-7.
item'}):
6. detail = read_li.find('div', attrs={'class': 'title'})
7. read_name = detail.find('a').getText()
8. print read_name
现在我们解析下代码
- 导入模块
- 定义parse_html函数，它接受html源码作为输入，并将这个网页中的小说名称打印到控制台
- 使用BeautifulSoup解析网页
- 这是网页html源码定位到的小说列表元素
- 使用for循环解析每个li标签
6、7都是解析小说名字
到这里我们得到了小说的名称，接下来我们需要解析翻页的元素
第三步：定位下一页链接
依旧使用开发者工具（F12），我们找到了下一页元素在li标签中的class为next,链接则在a标签中，到了最后一页之后，这个li中的a标签消失了，就不需要再翻页了
代码如下：
def parse_html(html):
soup = BeautifulSoup(html, 'html.parser')
read_list_soup = soup.find('ul', attrs={'class': 'list-lined ebook-list column-list'})
read_name_list = []
for read_li in read_list_soup.find_all('li', attrs={'class': 'item store-item'}):
detail = read_li.find('div', attrs={'class': 'title'})
read_name = detail.find('a').getText()
read_name_list.append(read_name)
next_page = soup.find('li', attrs={'class': 'next'}).find('a')
if next_page:
return read_name_list, download_url + next_page['href']
return read_name_list, None
在解析html之后取回我们需要的数据，next_page到最后一页就返回None
第四步：使用codecs处理中文编码
def main():
url = download_url
with codecs.open('readings', 'wb', encoding='utf-8') as f:
while url:
html = download_page(url)
readings, url = parse_html(html)
f.write(u'{readings}\n'.format(readings='\n'.join(readings)))
程序运行完之后，所有的小说名称全部写入了readings中
