likes
comments
collection
share

python爬取网站的小说2

作者站长头像
站长
· 阅读数 32

使用正则表达式

re.compile 函数

compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。

语法格式为：

 re.compile(pattern[, flags])

参数：

  • pattern : 一个字符串形式的正则表达式

  • flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：

    1. re.I 忽略大小写
    2. re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
    3. re.M 多行模式
    4. re.S 即为 . 并且包括换行符在内的任意字符（ . 不包括换行符）
    5. re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
    6. re.X 为了增加可读性，忽略空格和 # 后面的注释

findall

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

注意： match 和 search 是匹配一次 findall 匹配所有。

语法格式为：

 findall(string[, pos[, endpos]])

参数：

  • string : 待匹配的字符串。
  • pos : 可选参数，指定字符串的起始位置，默认为 0。
  • endpos : 可选参数，指定字符串的结束位置，默认为字符串的长度。

python爬虫之小说网站--下载小说(正则表达式)

思路:

  1. 找到要下载的小说首页,打开网页源代码进行分析(例:www.kanunu8.com/files/old/2…)
  2. 分析自己要得到的内容,首先分析url,发现只有后面的是变化的，先获得小说的没有相对路径，然后组合成新的url(每章小说的url)
  3. 获得每章小说的内容，进行美化处理

相关截图

python爬取网站的小说2

python爬取网站的小说2

python爬取网站的小说2

 

源代码

 

import re
 import requests
 ​
 # 要爬取的网站
 url = 'https://www.kanunu8.com/book4/10509/'
 ​
 # 先获取二进制，再进行解码
 txt = requests.get(url).content.decode('gbk')
 # txt.conten是二进制形式的   ---n<head>\r\n<title>\xd6\xd0\xb9\xfa\xba\xcf\xbb\xef\xc8\xcb
 # print(txt)
 ​
 m1 = re.compile(r'<td colspan="4" align="center"><strong>(.+)</strong>')
 # print(m1.findall(txt))
 ​
 m2 = re.compile(r'<td( width="25%")?><a href="(.+\.html)">(.+)</a></td>')
 print(m2.findall(txt))
 ​
 # 获得小说的目录以及对应的每个章节的相对路径
 raw = m2.findall(txt)
 ​
 sanguo = []
 for i in raw:
     print([i[2],url+i[1]])
     # ['第五章 成功之母', 'https://www.kanunu8.com/book4/10509/184616.html']
     # 生成每个章节对应的url
     sanguo.append([i[2],url+i[1]])
 ​
 print("*"*100)
 print(sanguo)
 # [['第一章 梦的起源', 'https://www.kanunu8.com/book4/10509/184612.html'], ['第二章 偶像兄弟', 'https://www.kanunu8.com/book4/10509/184613.html'], ['第三章 恋爱必修', 'https://www.kanunu8.com/book4/10509/184614.html'], ['第四章 爱的代价', 'https://www.kanunu8.com/book4/10509/184615.html'], ['第五章 成功之母', 'https://www.kanunu8.com/book4/10509/184616.html'], ['第六章 命运转折', 'https://www.kanunu8.com/book4/10509/184617.html'], ['第七章 被迫下海', 'https://www.kanunu8.com/book4/10509/184618.html'], ['第八章 渐行渐远', 'https://www.kanunu8.com/book4/10509/184619.html'], ['第九章 三箭合一', 'https://www.kanunu8.com/book4/10509/184620.html'], ['第十章 梦想起航', 'https://www.kanunu8.com/book4/10509/184621.html'], ['第十一章 领航梦想', 'https://www.kanunu8.com/book4/10509/184622.html'], ['第十二章 平地波澜', 'https://www.kanunu8.com/book4/10509/184623.html'], ['第十三章 新的招牌', 'https://www.kanunu8.com/book4/10509/184624.html'], ['第十四章 神的弱点', 'https://www.kanunu8.com/book4/10509/184625.html'], ['第十五章 裂隙初现', 'https://www.kanunu8.com/book4/10509/184626.html'], ['第十六章 上市之争', 'https://www.kanunu8.com/book4/10509/184627.html'], ['第十七章 梦想巅峰', 'https://www.kanunu8.com/book4/10509/184628.html'], ['第十八章 乾纲独断', 'https://www.kanunu8.com/book4/10509/184629.html'], ['第十九章 一剑穿心', 'https://www.kanunu8.com/book4/10509/184630.html'], ['第二十章 渡尽劫波', 'https://www.kanunu8.com/book4/10509/184631.html'], ['尾\u3000声', 'https://www.kanunu8.com/book4/10509/184632.html']]
 ​
 ​
 # 匹配每章节的正文内容
 # 每章小说的正文在<p>标签中
 m3 = re.compile(r'<p>(.+)</p>',re.S)
 ​
 # 小说中的<br />要被替换为空白
 m4 = re.compile(r'<br />')
 ​
 # &nbsp;也要被替换
 m5 = re.compile(r'&nbsp;&nbsp;&nbsp;&nbsp;')
 ​
 # 新建一个txt 中国合伙人1.txt
 with open('中国合伙人1.txt','a') as f:
     for i in sanguo:
         # i[1] 是章节的url
         i_url = i[1]
         print("正在下载--->%s" % i[0])
         # 根据每个章节的url，先获取正文页面的二进制，再编码
         r_nr = requests.get(i_url).content.decode('gbk')
         # 匹配正文  ：带有<p>的
         n_nr = m3.findall(r_nr)
         print(n_nr)
         # 把<br/>替换为空  sub()和replace()区别：sub()可以用正则
         n = m4.sub('',n_nr[0])
         # 把&nbsp;也替换为空
         n2 = m5.sub('',n)
         n2 = n2.replace('\n','')
         # 写入txt
         # i[0]是章节名字
         f.write('\n'+i[0]+'\n')
         f.write(n2)

 

 

转载自:https://juejin.cn/post/7056677559735418917
评论
请登录