近些年里，网络小说盛行，但是小说网站为了增加收益，在小说中增加了很多广告弹窗，令人烦不胜烦，那如何安静观看小说而不看广告呢？答案就是爬虫。本文主要以一个简单的小例子，简述如何通过爬虫来爬取小说，仅供学习分享使用，如有不足之处，还请指正。
目标页面
本文爬取的为【某横中文网】的一部小说【妙手小医仙】，已完结，共187章，信息如下：
网址：http://book.abcde.com/showchapter/1102448.html
本次主要爬取小说章节信息，及每一章对应的正文信息。章节信息如下所示：
目标分析
1. 章节目录分析
通过浏览器自带的开发人员工具【快捷键F12或Ctrl+Shift+I】进行分析，发现所有的章节都包含在ul【无序列表标签】中，每一个章节链接对应于li【列表项目标签】标签中的a【超链接标签】标签，其中a标签的href属性就是具体章节网址，a标签的文本就是章节标题，如下所示：
2. 章节正文分析
通过分析，发现章节全部内容，均在div【class=reader_box】中，其中包括标题div【class=title_txtbox】，章节信息div【class=bookinfo】，及正文信息div【class=content】，所有正文包含在p【段落标签】中。如下所示：
爬虫设计思路
- 获取章节页面内容，并进行解析，得到章节列表
- 循环章节列表：
- 获取每一章节内容，并进行解析，得到正文内容，
- 保存到文本文档。每一个章节，一个文档。
示例源码
获取请求页面内容，因为本例需要多次获取页面内容，所以封装为一个单独的函数，如下所示：
def get_data(url: str = None): """ 获取数据 :param url: 请求网址 :return:返回请求的页面内容 """ # 请求头，模拟浏览器，否则请求会返回418 header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/70.0.3538.102 Safari/537.36 Edge/18.18363'} resp = requests.get(url=url, headers=header) # 发送请求 if resp.status_code == 200: if resp.encoding != resp.apparent_encoding: # 如果返回的编码和页面显示编码不一致，直接获取text会出现乱码，需要转码 return resp.content.decode(encoding=resp.apparent_encoding) else: # 如果返回成功，则返回内容 return resp.text else: # 否则，打印错误状态码，并返回空 print('返回状态码：', resp.status_code) return
注意：有可能不同网站，返回内容的编码和页面显示的编码不一致，可能会出现中文乱码的情况，所以本例进行编码设置。
1. 解析章节列表
要获取整本小说内容，首先就要获取章节列表，然后保存到内存数组中，以便于获取具体正文。如下所示：
def parse_chapters(html: str = None): """ 爬取章节列表 :param html: :return: """ if html is None: return else: chapters = [] bs = BeautifulSoup(html, features='html.parser') ul_chapters = bs.find('ul', class_='chapter-list clearfix') # print(ul_chapters) li_chapters = ul_chapters.find_all('li', class_='col-4') # 此处需要注意，页面源码查看是有空格，但是BeautifulSoup转换后空格消失 for li_chapter in li_chapters: a_tag = li_chapter.find('a') # print(a_tag) a_href = a_tag.get('href') # 此处也可以用a_tag['href'] a_text = a_tag.get_text() # 获取内容：章节标题 chapters.append({'title': a_text, 'href': a_href}) return chapters
2. 解析单个章节
当得到单个章节的链接时，就可以获取单个章节的内容，并进行解析，如下所示：
def parse_single_chapter(html: str = None): """ 解析单个章节内容 :param html: :return: """ bs = BeautifulSoup(html, features='html.parser') div_reader_box = bs.find('div', class_='reader_box') div_title = div_reader_box.find('div', class_='title_txtbox') title = div_title.get_text() # 获取标题 div_book_info = div_reader_box.find('div', class_='bookinfo') book_info = div_book_info.get_text() div_content = div_reader_box.find('div', class_='content') content = '' p_tags = div_content.find_all('p') for p_tag in p_tags: content =content + p_tag.get_text() + '\r\n' # content = div_content.get_text() return title + '\n' + book_info + '\n' + content
3. 循环解析并保存
循环获取单个章节正文页面，并进行解析，然后保存。如下所示：
def get_and_parser_single_chapter(chapters: list = []): """ 获取单个章节 :param chapters: 章节列表 :return: """ for (index, chapter) in enumerate(chapters, 1): title = chapter.get('title') href = chapter.get('href') while True: print('开始第%d章爬取' % index) html = get_data(href) if html is not None: content = parse_single_chapter(html) save_data(title, content) # 保存数据 print('第%d章爬取成功' % index) break else: print('第%d章爬取失败' % index) time.sleep(2)
4. 整体调用逻辑
当写好单个功能函数时，顺序调用就是完整的爬虫，如下所示：
url = 'http://book.abcde.com/showchapter/1102448.html' print('开始时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())) html_chapters = get_data(url) chapters = parse_chapters(html_chapters) get_and_parser_single_chapter(chapters) print('结束时间>>>>>', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())) print('done')
示例截图
爬取到的小说列表，如下所示：
每一个章节内容，如下所示：
备注
我从来不认为半小时是我微不足道的很小的一段时间。真正的强者，不是没有眼泪的人，而是含着眼泪奔跑的人。但行前路，无问西东 。
长相思·山一程
纳兰性德 【朝代】清
山一程，水一程，身向榆关那畔行，夜深千帐灯。
风一更，雪一更，聒碎乡心梦不成，故园无此声。
