Python实现爬取逐浪小说的方法
本文实例讲述了Python实现爬取逐浪小说的方法。分享给大家供大家参考。具体分析如下：
本人喜欢在网上看小说，一直使用的是小说下载阅读器，可以自动从网上下载想看的小说到本地，比较方便。最近在学习Python的爬虫，受此启发，突然就想到写一个爬取小说内容的脚本玩玩。于是，通过在逐浪上面分析源代码，找出结构特点之后，写了一个可以爬取逐浪上小说内容的脚本。
具体实现功能如下：输入小说目录页的url之后，脚本会自动分析目录页，提取小说的章节名和章节链接地址。然后再从章节链接地址逐个提取章节内容。现阶段只是将小说从第一章开始，每次提取一章内容，回车之后提取下一章内容。其他网站的结果可能有不同，需要做一定修改。在逐浪测试过正常。
现分享此代码，一是做个记录，方便自己以后回顾。二么也想抛砖引玉，希望各路大神不吝赐教。
#-*-coding:utf8-*-
#!/usr/bin/python
#Python:2.7.8
#Platform:Windows
#Program:GetNovelsFromInternet
#Author:wucl
#Description:GetNovels
#Version:1.0
#History:2015.5.27完成目录和url提取
#2015.5.28完成目录中正则提取第*章，提取出章节链接并下载。在逐浪测试下载无误。
frombs4importBeautifulSoup
importurllib2,re
defget_menu(url):
"""Getchapternameanditsurl"""
user_agent="Mozilla/5.0(WindowsNT6.1;WOW64;rv:39.0)Gecko/20100101Firefox/39.0"
headers={'User-Agent':user_agent}
req=urllib2.Request(url,headers=headers)
page=urllib2.urlopen(req).read()
soup=BeautifulSoup(page)
novel=soup.find_all('title')[0].text.split('_')[0]
#提取小说名
menu=[]
all_text=soup.find_all('a',target="_blank")
#提取记载有小说章节名和链接地址的模块
regex=re.compile(ur'\u7b2c.+\u7ae0')
#中文正则匹配第..章，去除不必要的链接
fortitleinall_text:
ifre.findall(regex,title.text):
name=title.text
x=[name,title['href']]
menu.append(x)
#把记载有小说章节名和链接地址的列表插入列表中
returnmenu,novel
defget_chapter(name,url):
"""Geteverychapterinmenu"""
html=urllib2.urlopen(url).read()
soup=BeautifulSoup(html)
content=soup.find_all('p')#提取小说正文
returncontent[0].text
if__name__=="__main__":
url=raw_input("""Inputthemainpage'surlofthenovelinZhuLang\nThenPressEntertoContinue\n""")
ifurl:
menu,title=get_menu(url)
printtitle,str(len(menu))+'\nPressEnterToContinue\n'
#输出获取到的小说名和章节数
foriinmenu:
chapter=get_chapter(i[0],i[1])
raw_input()
print'\n'+i[0]+'\n'
printchapter
print'\n'
希望本文所述对大家的Python程序设计有所帮助。