python爬虫之抓取小说(逆天邪神)

2022-03-06 23:05:11

申明：自我娱乐，对自我学习过程的总结。

正文：

环境：

1. 系统：win10，

2. python版本：python3.10.2，

3. 工具：pycharm。

项目目标：

1. 实现对单本小说的更新判断，省去人工登录浏览器看小说的繁琐操作。

2. 如果小说内容更新了，那么自动下载你没看过的小说内容到本地，并保存为txt格式。

3. 对项目代码封装成可单独运行在win10上的exe文件。

最终效果：都已实现。可以判断小说更新了没；更新了就下载下来；通过调整小说的已看章节数（就是你上次浏览小说章节位置记录）可以达到直接保存整本小说。

项目实现流程：

1. 主程序

我这里只写了一个main.py，就一个主函数解决了。

# 这个是一个爬取小说的工具
# 内容针对逆天邪神
# 功能1:是判断小说是否更新，如果更新就下载下来
# 功能2:下载整本小说（单线程），一般都是自动下载最新更新的几章，单线程足够。——懒
​
​
import requests
import re
from bs4 import BeautifulSoup
import os
​
if __name__ == '__main__':
    novel_url = "https://www.bige3.com/book/1030/"  # 逆天邪神
    return_value = is_update(novel_url)  # 更新章节数
    if return_value == 0:
        print("小说尚未更新!")
    else:
        print("小说已更新" + str(return_value) +"章!")
        print("正在下载已更新的小说......")
        download_novel(return_value)
    # os.system("pause")   # 调试时注释掉，封装时打开，用于观察结果

2. 功能函数

2.1 功能函数is_update()

def is_update(url):
    heards = {
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36"
    }
    try:
        resp = requests.get(url, headers=heards)
        resp.raise_for_status()  # 检查Response状态码,若不是200则产生HttpError异常
        resp.encoding = 'utf-8'
    except:
        print("爬取失败")
​
    resp = re.findall(r'<a href =.*?>(.*?)</a>', resp.text)
    # print("请求返回的列表中的最后一章是:" + resp[-1])
    with open("小说更新记录.txt", "r", encoding='utf-8') as f:  # 打开文件
        data = f.read()  # 读取文件
        # print("source_novel_data is:" + str(data))
    if data == str(resp[-1]):
        # print("===章节一致,小说尚未更新!")
        return 0
    else:
        # print("!==小说更新啦,并将更新值加入到小说更新记录.txt")
        data_num = re.findall(r'\d+', data)  # list
        data_num = ''.join(data_num)  # str
        resp_num = re.findall(r'\d+', resp[-1])
        resp_num = ''.join(resp_num)
        gap_num = int(resp_num)-int(data_num)  # 更新章节数
        with open("小说更新记录.txt", "w", encoding='utf-8') as f:  # 打开文件
            f.write(str(resp[-1]))  # 读取文件
            print("writing is ok!")
        return gap_num
    

2.2 功能函数download_novel(return_value)

# 单线程方式
def download_novel(return_value):
    if return_value >= 1:
        for i in range(1, return_value+1, 1):
            print(i)
            with open("小说更新记录.txt", "r", encoding='utf-8') as f:  # 打开文件
                data = f.read()  # 读取文件 str
                data_num = re.findall(r'\d+', data)  # list
                data_num = ''.join(data_num)  # str
                download_num = int(data_num)+1-(i-1)
                # print(download_num)
                print(novel_url+str(download_num)+'.html')
            resp = requests.get(novel_url+str(download_num)+'.html')
            # print(resp.content)
            soup = BeautifulSoup(resp.text, 'lxml')
            soup.select('#chaptercontent')
            mytxt = soup.text[soup.text.find('下一章'):soup.text.rfind('『点此报错')]
            mytxt = mytxt[3:]
            mytxt = mytxt.strip()
            mytxt = mytxt.replace('　　', '\n')
            novel_save_location = "./novel_downloads/逆天邪神第"+str(download_num-1)+"章.txt"
            with open(novel_save_location, "w", encoding='utf-8') as f:  # 打开文件
                f.write(mytxt)
            print("下载完毕!")
    else:
        print("invalid parameter!")

注意：

1. 调试时要创建文件夹novel_downloads，并标注为Exclusion，防止pycharm自动创建索引，使电脑卡顿。

2. 封装后的main.exe要保证它所在的路径下有两个东西：文件夹novel_downloads和文件小说更新记录.txt。

3. 初始阶段保证文件小说更新记录.txt里有个数字就行，随便啥（1 or 1935等）

全部代码：（直接能爬）

# 这个是一个爬取小说的工具
# 内容针对逆天邪神
# 功能1:是判断小说是否更新，如果更新就下载下来
# 功能2:下载整本小说（单线程），一般都是自动下载最新更新的几章，单线程足够。——懒
​
import requests
from lxml import etree
import re
from bs4 import BeautifulSoup
import os
​
def is_update(url):
    heards = {
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36"
    }
    try:
        resp = requests.get(url, headers=heards)
        resp.raise_for_status()  # 检查Response状态码,若不是200则产生HttpError异常
        resp.encoding = 'utf-8'
    except:
        print("爬取失败")
​
    resp = re.findall(r'<a href =.*?>(.*?)</a>', resp.text)
    # print("请求返回的列表中的最后一章是:" + resp[-1])
    with open("小说更新记录.txt", "r", encoding='utf-8') as f:  # 打开文件
        data = f.read()  # 读取文件
        # print("source_novel_data is:" + str(data))
    if data == str(resp[-1]):
        # print("===章节一致,小说尚未更新!")
        return 0
    else:
        # print("!==小说更新啦,并将更新值加入到小说更新记录.txt")
        data_num = re.findall(r'\d+', data)  # list
        data_num = ''.join(data_num)  # str
        resp_num = re.findall(r'\d+', resp[-1])
        resp_num = ''.join(resp_num)
        gap_num = int(resp_num)-int(data_num)  # 更新章节数
        with open("小说更新记录.txt", "w", encoding='utf-8') as f:  # 打开文件
            f.write(str(resp[-1]))  # 读取文件
            print("writing is ok!")
        return gap_num
​
​
# 单线程方式
def download_novel(return_value):
    if return_value >= 1:
        for i in range(1, return_value+1, 1):
            print(i)
            with open("小说更新记录.txt", "r", encoding='utf-8') as f:  # 打开文件
                data = f.read()  # 读取文件 str
                data_num = re.findall(r'\d+', data)  # list
                data_num = ''.join(data_num)  # str
                download_num = int(data_num)+1-(i-1)
                # print(download_num)
                print(novel_url+str(download_num)+'.html')
            resp = requests.get(novel_url+str(download_num)+'.html')
            # print(resp.content)
            soup = BeautifulSoup(resp.text, 'lxml')
            soup.select('#chaptercontent')
            mytxt = soup.text[soup.text.find('下一章'):soup.text.rfind('『点此报错')]
            mytxt = mytxt[3:]
            mytxt = mytxt.strip()
            mytxt = mytxt.replace('　　', '\n')
            novel_save_location = "./novel_downloads/逆天邪神第"+str(download_num-1)+"章.txt"
            with open(novel_save_location, "w", encoding='utf-8') as f:  # 打开文件
                f.write(mytxt)
            print("下载完毕!")
    else:
        print("invalid parameter!")
​
​
if __name__ == '__main__':
    novel_url = "https://www.bige3.com/book/1030/"  # 逆天邪神
    return_value = is_update(novel_url)
    if return_value == 0:
        print("小说尚未更新!")
    else:
        print("小说已更新" + str(return_value) +"章!")
        print("正在下载已更新的小说......")
        download_novel(return_value)
    os.system("pause")
​

缺点：单线程，没有用到异步协程，也没有用线程池实现对小说下载章节数较多时的快速下载优势。之后有空再优化代码，并实现相应的功能。

实现效果：

例如章节是目前是

最新章节为：1936章 灾厄奏鸣 ，我改个数字演示。

不改话，就没有新章节更新：

改后跑起来，应该是

对应的文件夹里是：

打开后内容是：

Over！！！！！

封装问题

步骤：

1. 在pycharm项目路径下打开终端输入：pip install pyinstaller

2. cd到项目的.py文件路径下cd .\study_capture\novel_capture\

3. 执行：pyinstaller -F .\main.py

结果是：

项目中用到的知识点：

这里面可以有些在优化程序时被我给去掉了，嘿嘿

请求网页数据

resp = requests.get(url, headers=heards)

python中list与string的转换

data_num = re.findall(r'\d+', data)  # 正则出来的是list 
data_num = ''.join(data_num)  # str

小说章节数的确认

resp = re.findall(r'<a href =.*?>(.*?)</a>', resp.text)

TXT文本的读取

encoding='utf-8' 是有必要的，不然会报错。

with open("小说更新记录.txt", "r", encoding='utf-8') as f:  # 打开文件
    data = f.read()  # 读取文件

TXT文本的回写

with open("小说更新记录.txt", "w", encoding='utf-8') as f:  # 打开文件
    f.write(str(resp[-1]))  # 读取文件

BS4对HTML进行值的筛选

#表示识别标签

soup = BeautifulSoup(resp.text, 'lxml')
soup.select('#chaptercontent')

取列表元素最后一个

resp[-1]

将列表中的章节数字拿出

data_num = re.findall(r'\d+', data)  # list

python特定位置的字符串截取

soup.text  str型
find('下一章')  左边开始第一个索引
rfind('『点此报错')   右边开始第一个索引

mytxt = soup.text[soup.text.find('下一章'):soup.text.rfind('『点此报错')]

字符串的拼接：

novel_save_location = "./novel_downloads/逆天邪神第"+str(download_num-1)+"章.txt"

小说保存时：

1.里面有空白，直接用

mytxt = mytxt.strip()

时没有去掉，不知道啥原因。我记得听网课说是：去掉空格，空白，换行符，其他好像都去了，最后还剩小说之间一些空白。

解决方式：因为没有发现是啥符号（notepad++），于是之间将空白拿过来用（copy）。

mytxt=mytxt.replace('　　', '\n')
#目的是:在TXT文本中句子太长，于是我直接在每句话结束后换行。效果还行，与网站对比。

感谢观看！！！第一次写，好慢，好菜，回去写作业去了。呜呜呜