python制作小说爬虫实录


Posted in Python onAugust 14, 2017

纪念我的第一个爬虫程序,一共写了三个白天,其中有两个上午没有看,中途遇到了各种奇怪的问题,伴随着他们的解决,对于一些基本的操作也弄清楚了。果然,对于这些东西的最号的学习方式,就是在使用中学习,通过解决问题的方式来搞定这些知识。按需索取,才能更有针对性。

大体记录下整个过程。

--------------------------------------------------------------------------------

准备构思

出于对于python的热爱,想要尝试一些练手的项目,但是不论是看书,还是直接尝试别人的项目,到最后都会沦为不停地复制粘贴...最实际的就是自己来上手亲自写代码。思路都是一样的,但是具体的实现还得靠自己。

以前的复制粘贴给我的帮助也就是告诉了我大致的流程。

确定目标网址

目标网址是关键。我梦想中的爬虫是那种偏向于更智能的,直接给他一个想要获取的关键词,一步步的流程直接自己完成,可以自己给定范围,也可以直接爬取整个互联网或者更实际的就是整个百度上的内容,但是,目前就我而言,见到的爬虫,都是给定目标网址,通过目标页面上的内容进一步执行规定的操作,所以现在来看,我们在写爬虫之前,需要确定一个基准页面,这个是需要我们事先制定的。在考虑我们需要程序完成怎样的功能,获取页面文本还是相关链接内容还是其他的目的。

我这个程序想要获取的是《剑来》小说,把各个章节的内容爬去下载存储到文件里。

编程只是实现目的的工具。

所以重点是分析我们的需求。

获取小说目录页面是基本。这里有各个章节的链接,标题等等内容。这是我们需要的。

有了各个章节的链接,就需要进入其中获得各个章节的内容。

所以,我们需要获得页面内容,需要从中获得目标内容。

所以使用 urllib.request,re 库。

前者用来获得网页内容,后者获得目标信息。

headers

直接使用urllib.request的urlopen(),read()方法是会报以下错误:

raise HTTPError(req.get_full_url(), code, msg, hdrs, fp)
HTTPError: HTTP Error 403: Forbidden

出现urllib2.HTTPError: HTTP Error 403: Forbidden错误是由于网站禁止爬虫,可以在请求加上头信息,伪装成浏览器。

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'}
request = url_req.Request(url, headers=headers)
response = url_req.urlopen(request, data=None, timeout=3)
html = response.read().decode('GBK')

注意:这里存在两个容易出问题的地方。
•编码:编码问题是使用爬虫中有时候会很头痛的问题,由于网页源代码编码格式不明确,所以这里尝试了许久。

使用chardet库的detect()方法可以检测字节字符串的编码。所以直接检测这里的html(先不要解码)。输出的是GB2312,但是在后面页面的爬取中,会出现提示有的字符的编码异常,所以这里采取了比其范围更广的中文字符集GBK,解决了这个问题。
•设置超时范围:由于频繁的获取网页内容,目标网站有时候会出现没有响应的问题。

(这个问题可以见我在CSDN上的提问:关于python爬虫程序中途停止的问题)

于是我采取了捕获 urlopen()的socket.timeout异常,并在出现异常的时候再循环访问,直到获得目标页面。

获得目标内容

这里使用的是正则表达式。re模块。这里的使用并不复杂。

首先需要一个模式字符串。以re.I指定忽略大小写,编译后的对象拥有本身匹配的方法,这里使用的是findall(),返回一个所有结果组成的列表。可以及时返回输出其内容,进而选择合适的部分进行处理。

python 正则表达式

通过查看相关的符号,这里使用(.+?)来实现匹配非贪婪模式(尽量少的)下任意无限字符,对之使用(),进而匹配括号内的模式。

文件写入

使用with open() as file:,进而可以处理文件。并且可以自动执行打开和关闭文件,更为便捷安全。
with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:

•这里也要注意编码的问题,指定utf-8。会避免一些问题。
•这里使用w+模式,追加写文件。

完整代码

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 11 16:31:42 2017
@author: lart
"""

import urllib.request as url_req
import re, socket, time


def r_o_html(url):
  print('r_o_html begin')

  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'}

  request = url_req.Request(url, headers=headers)

  NET_STATUS = False
  while not NET_STATUS:
    try:
      response = url_req.urlopen(request, data=None, timeout=3)
      html = response.read().decode('GBK')
      print('NET_STATUS is good')
      print('r_o_html end')
      return html
    except socket.timeout:
      print('NET_STATUS is not good')
      NET_STATUS = False

def re_findall(re_string, operation, html):

  print('re_findall begin')
  pattern = re.compile(re_string, re.I)

  if operation == 'findall':
    result = pattern.findall(html)
  else:
    print('this operation is invalid')
    exit(-1)

  print('re_findall end')
  return result


if __name__ == '__main__':
  url_base = 'http://www.7kankan.la/book/1/'

  html = r_o_html(url_base)

  findall_title = re_findall(r'<title>(.+?)</title>', 'findall', html)

  findall_chapter = re_findall(r'<dd class="col-md-3"><a href=[\',"](.+?)[\',"] title=[\',"](.+?)[\',"]>', 'findall', html)

  with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:
    print('article文件打开', findall_chapter)
    for i in range(len(findall_chapter)):
      print('第' + str(i) + '章')

      open_file.write('\n\n\t' + findall_chapter[i][1] + '\n --------------------------------------------------------------------- \n')

      url_chapter = url_base + findall_chapter[i][0]

      html_chapter = r_o_html(url_chapter)

      findall_article = re_findall(r'    (.+?)<br />', 'findall', html_chapter)

      findall_article_next = findall_chapter[i][0].replace('.html', '_2.html')

      url_nextchapter = url_base + findall_article_next

      html_nextchapter = r_o_html(url_nextchapter)

      if html_nextchapter:
        findall_article.extend(re_findall(r'    (.+?)<br />', 'findall', html_nextchapter))

        for text in findall_article:
          open_file.write(text + '\n')

      time.sleep(1)

  print('文件写入完毕')
Python 相关文章推荐
Python跳出循环语句continue与break的区别
Aug 25 Python
python字符串连接的N种方式总结
Sep 17 Python
Python中的with...as用法介绍
May 28 Python
Python中字典的基础知识归纳小结
Aug 19 Python
PyQt5每天必学之关闭窗口
Apr 19 Python
python打包生成的exe文件运行时提示缺少模块的解决方法
Oct 31 Python
Django框架视图函数设计示例
Jul 29 Python
Flask框架模板渲染操作简单示例
Jul 31 Python
Django如何实现网站注册用户邮箱验证功能
Aug 14 Python
Python使用Opencv实现图像特征检测与匹配的方法
Oct 30 Python
Python定时器线程池原理详解
Feb 26 Python
聊聊Python String型列表求最值的问题
Jan 18 Python
python安装Scrapy图文教程
Aug 14 #Python
基于python时间处理方法(详解)
Aug 14 #Python
关于Django外键赋值问题详解
Aug 13 #Python
python爬虫实战之最简单的网页爬虫教程
Aug 13 #Python
详解python中executemany和序列的使用方法
Aug 12 #Python
mysql 之通过配置文件链接数据库
Aug 12 #Python
python+selenium开发环境搭建图文教程
Aug 11 #Python
You might like
php 短链接算法收集与分析
2011/12/30 PHP
PHP中使用json数据格式定义字面量对象的方法
2014/08/20 PHP
js中的hasOwnProperty和isPrototypeOf方法使用实例
2014/06/06 Javascript
在Node.js应用中使用Redis的方法简介
2015/06/24 Javascript
基于jQuery实现选取月份插件附源码下载
2015/12/28 Javascript
分享10个优化代码的CSS和JavaScript工具
2016/05/11 Javascript
详解Angular 4.x 动态创建组件
2017/04/25 Javascript
关于meta viewport中target-densitydpi属性详解(推荐)
2017/08/18 Javascript
python正则表达式判断字符串是否是全部小写示例
2013/12/25 Python
使用基于Python的Tornado框架的HTTP客户端的教程
2015/04/24 Python
Python实现八大排序算法
2016/08/13 Python
解决pandas read_csv 读取中文列标题文件报错的问题
2018/06/15 Python
Python多进程与服务器并发原理及用法实例分析
2018/08/21 Python
python项目对接钉钉SDK的实现
2019/07/15 Python
Numpy数组array和矩阵matrix转换方法
2019/08/05 Python
使用python制作游戏下载进度条的代码(程序说明见注释)
2019/10/24 Python
浅谈Django2.0 加xadmin踩的坑
2019/11/15 Python
浅谈python累加求和+奇偶数求和_break_continue
2020/02/25 Python
Python定时从Mysql提取数据存入Redis的实现
2020/05/03 Python
python中urllib.request和requests的使用及区别详解
2020/05/05 Python
使用python创建生成动态链接库dll的方法
2020/05/09 Python
python语言time库和datetime库基本使用详解
2020/12/25 Python
python调用百度AI接口实现人流量统计
2021/02/03 Python
基于Html5实现的react拖拽排序组件示例
2018/08/13 HTML / CSS
H5最强接口之canvas实现动态图形功能
2019/05/31 HTML / CSS
戴森西班牙官网:Dyson西班牙
2020/02/04 全球购物
与UNIX有关的几个名词
2015/09/17 面试题
区优秀教师事迹材料
2014/02/10 职场文书
社区居务公开实施方案
2014/03/27 职场文书
村长贪污检举信
2014/04/04 职场文书
环境保护与污染治理求职信
2014/07/16 职场文书
委托书的格式
2014/08/01 职场文书
教师竞聘上岗演讲稿
2014/09/03 职场文书
生日答谢词
2015/01/05 职场文书
2014年度个人总结范文
2015/03/09 职场文书
《这片土地是神圣的》教学反思
2016/02/16 职场文书