分享

古典书籍爬取

 郭祺迦 2018-09-24
import urllib.request
from bs4 import BeautifulSoup
import time
def main():
    url = 'http://www.shicimingju.com/book/'
    #获得请求对象
    request = get_request(url)
    #获得响应参数
    html = get_response(request)
    #获取数据
    soup_html(html)

def get_request(url):
    #获得请求对象
    headers={
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    request = urllib.request.Request(url=url,headers=headers)
    return request

def get_response(req):

    response = urllib.request.urlopen(req)

    html = response.read().decode('utf8')

    return html

#获得第一层数据
def soup_html(html):

    #实例化soup
    soup = BeautifulSoup(html,'lxml')
    ret = soup.select('.bookmark-list ul li h2 a')
    for i in ret:
        title = i.text
        href = 'http://www.shicimingju.com' + i['href']
        # print(href)
        #调用生成请求对象的方法
        request = get_request(href)
        #调用生成响应对象的方法
        text = get_response(request)
        filename = title + '.txt'

        fp = open(filename,'a',encoding='utf8')
        # print(text)
        # 调用第二层的生成的数据
        datas = get_txt(href)
        for i in datas:

            title = i[0]
            print("正在下载%s" %title)
            for i in i[1]:
                res = i.get_text()
                fp.write(title+'\n'+res)
            time.sleep(2)
            print("下载结束%s"%title)
        # print("datas:\n",datas)
#
# #获得第二层数据
def get_txt(href):
    # #调用生成请求对象的方法
    request = get_request(href)
    # #调用生成响应对象的方法
    text = get_response(request)
    # print(text)
    #实例化一个soup
    soup = BeautifulSoup(text,'lxml')
    ret = soup.select('.book-mulu ul li a')
    # print(ret)
    print(1)
    d1 = []
    for i in ret:
        title = i.text
        href = 'http://www.shicimingju.com' + i['href']
        # print(title,href)
        res = get_data(href)
        d1.append(res)
    return d1
#获得第三层数据
def get_data(href):
    #调用生成对象的方法
    request = get_request(href)
    #调用生成响应对象的方法
    response = get_response(request)
    #实例化一个soup
    soup = BeautifulSoup(response,'lxml')
    ret = soup.select('.www-shadow-card h1')#
    title = ret[0].text#获得每个章节的章回名
    if soup.select('.chapter_content p'):
        res = soup.select('.chapter_content p')
        return title, res
    elif soup.select('.chapter_content'):
        res = soup.select('.chapter_content')
        return title, res

#循环第三层数据
if __name__ == '__main__':
    main()

    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多