Python爬虫之40行代码爬取金庸所有武侠小说

绝地灬酷狼 2022-06-03 04:29 269阅读 0赞

我们今天来用Python爬虫爬取金庸所有的武侠小说，网址为：http://jinyong.zuopinj.com/，网页如下：

![金庸所有武侠小说][format_png]  
　　Python代码如下：

# -*- coding: utf-8 -*-
    import urllib.request  
    from bs4 import BeautifulSoup
    
    #获取每本书的章节内容
    def get_chapter(url):
        # 获取网页的源代码
        html = urllib.request.urlopen(url)  
        content = html.read().decode('utf8')
        html.close()
        # 将网页源代码解析成HTML格式
        soup = BeautifulSoup(content, "lxml")
        title = soup.find('h1').text    #获取章节的标题
        text = soup.find('div', id='htmlContent')    #获取章节的内容
        #处理章节的内容，使得格式更加整洁、清晰
        content = text.get_text('\n','br/').replace('\n', '\n ')
        content = content.replace('　　', '\n　　')
        return title, ' '+content
            
    def main():
        # 书本列表
        books = ['射雕英雄传','天龙八部','鹿鼎记','神雕侠侣','笑傲江湖','碧血剑','倚天屠龙记',\
                 '飞狐外传','书剑恩仇录','连城诀','侠客行','越女剑','鸳鸯刀','白马啸西风',\
                 '雪山飞狐']
        order = [1,2,3,4,5,6,7,8,10,11,12,14,15,13,9]  #order of books to scrapy
        #list to store each book's scrapying range
        page_range = [1,43,94,145,185,225,248,289,309,329,341,362,363,364,375,385]
    
        for i,book in enumerate(books):
            for num in range(page_range[i],page_range[i+1]):
                url = "http://jinyong.zuopinj.com/%s/%s.html"%(order[i],num)
                # 错误处理机制
                try:
                    title, chapter = get_chapter(url)
                    with open('E://%s.txt'%book, 'a', encoding='gb18030') as f:
                        print(book+':'+title+'-->写入成功！')
                        f.write(title+'\n\n\n')
                        f.write(chapter+'\n\n\n')
                except Exception as e:
                    print(e) 
        print('全部写入完毕!')
    
    main()

运行结果如下：  
![爬虫结果][format_png 1]

上面的运行结果“HTTP Error 404: Not Found”是因为这个网页不存在，并不影响书本内容的完整性。我们可以去E盘查看文件是否下载成功：  
![E盘文件][E]  
·　　15本书都下载完毕了！整个过程才用了不到10分钟！爬虫的力量真是伟大啊~~

[format_png]: /images/20220603/71ad12d903254168b4fb24f8b3b5b214.png
[format_png 1]: /images/20220603/5e955cfb67ad4e4f827d203bb92660cb.png
[E]: /images/20220603/7a270f9942d844d49c38c4f548846c17.png