python写爬虫的弯路

一开始按照视频上的找了笔趣阁的网站先爬一部小说, 找了<遮天>,但是章节太多,爬起来太慢, 就换了一个几十章的小说.

根据视频里的去写了代码, 在正则表达式哪里出了很大的问题.

from bs4 import BeautifulSoup
import requests
import re

先找到了小说主页的链接地址: url = 'https://www.biquge5.com/3_3004/'

reponse = requests.get(url)
reponse.encoding = 'gbk'

html = reponse.text

这是网页的部分代码

<div id="list"><ul class="_chapter">
<li><a href="https://www.biquge5.com/3_3004/
1391919.html">第一章 你心里没点数吗</a></li><li><a href="https://www.biquge5.com/3_3004/
1391920.html">第二章 原来是一场精心设计</a></li><li><a href="https://www.biquge5.com/3_3004/
1391921.html">第三章 你去死啊</a></li><li><a href="https://www.biquge5.com/3_3004/
1391922.html">第四章 能不能找他借钱</a></li><li><a href="https://www.biquge5.com/3_3004/
1391923.html">第五章 你一点都不心痛吗</a></li><li><a href="https://www.biquge5.com/3_3004/
1391924.html">第六章 在监狱里度过后半生</a></li><li><a href="https://www.biquge5.com/3_3004/
1391925.html">第七章 我爸妈只生了我一个</a></li><li><a href="https://www.biquge5.com/3_3004/
1391926.html">第八章 一团迷雾</a></li>

写出正则表达式,找到ul标签里面的链接: dl = re.findall(r'<li><a href="(.*?)">(.*?)<', html, re.S)

结果返回了空列表. 又试了几种正则表示,还是错误的. 检查了好久也查不出原因.

最后直接打开浏览器, 在小说首页查看源代码, 复制了href链接到搜索栏里, 出现了 404 !

又回到源代码, 仔细看一下发现href里只有http--3004/有蓝色标记,后面的139.....没有, 于是只复制了前面的http--3004/, 没想到竟然跳转到了小说章节内容.

于是又复制了一遍href里的链接,发现在浏览器搜索框里出现了一个'\n'换行符,把它去点后也可以 正常访问. 看来就是这个'\n'符就是万恶之源了.

修改代码: dl = re.findall(r'<li><a href="https://www.biquge5.com/3_3004/\s(.*?)">(.*?)<' (\s代表可以匹配换行空格等一切字符)

可是还是有问题, 就是在返回的列表里面,链接还是有\n.

干脆就把所有的换行符都换掉好了: html = html.replace('\n','')

至此,问题解决了

代码:

 from bs4 import BeautifulSoup
 import requests
 import re
 url = 'https://www.biquge5.com/3_3004/'
 reponse = requests.get(url)
 reponse.encoding = 'gbk'
 '''soup =  BeautifulSoup(reponse.text, 'lxml')
 chapter  = soup.select('ul._chapter > li > a')
 temp=[] #链接
 temp2=[] #章节标题'''

 '''
 #用字典
 for c in chapter:
     temp.append(c.get_text())
     temp2.append(c.get('href'))
 print(temp2)'''
 '''f = open('遮天.txt','w')
 for i in temp:
     f.write(str(i))
     f.write('\n')
 print('ok')
 f.close()'''
 '''f = open('遮天.txt','w')
 for c in chapter:
     data={
         'clink': c.get('href'),
         'ctitle': c.get_text()
     }
     for i in data.values():
         f.write(i[1])
 print('ok')
 exit()

 tml = reponse.text
 html = html.replace('\n','')
 dl = re.findall(r'<li><a href="https://www.biquge5.com/3_3004/\s(.*?)">(.*?)<', html, re.S)
 #print((chapter_info_list))
 for i in dl:
     m,n=i
     m="https://www.biquge5.com/3_3004/\n%s" % m
     print(m,n)
 '''

 html = reponse.text
 html = html.replace('\n','')
 dl = re.findall(r'<li><a href="https://www.biquge5.com/3_3004/(.*?)">(.*?)<', html, re.S)
 for i in dl:
     m,n=i
     m="https://www.biquge5.com/3_3004/%s" % m  #将链接前面的东西加到m上, + 的方式效率低,采用占位符%S代替.
     print(m,n)

结果: