免app下载笔趣阁小说

第一次更新：发现一个问题，就是有时候网页排版有问题的话容易下载到多余章节，如下图所示：

　　网站抽风多了一个正文一栏，这样的话就会重复下载1603--1703章节。

　　解决办法：

　　　　于是在写入内容前加了一个章节判断，让内容获取从第一章开始，这样就能避免此类问题。如下图：

　　这个是对最近学习的一次总结吧。前两天写的，今天才有时间写博客。

　　偶然点开笔趣阁的网址(https://www.biquge.cc/),突然觉得我应该可以用爬虫实现小说下载。有这个想法我就开始尝试了。

　　

　　爬虫呀，说白了就是程序自动模拟浏览器操作来获取网页的内容。

　　先用F12查看元素，查看章节网址链接，和章节正文内容。

　　结构很简单。

　　想法很快就有了，通过网站的搜索打开小说详情页，然后获取每一章的网址url，依次访问每一章网址，再通过正则表达式匹配章节内容，

最后将匹配的内容保存到本地。

　　中间忘了一个小的知识点，就是我使用re.findall()来匹配的，它最后返回的时一个列表！！！

　　运行结果如下图：

　　

　　

　　代码如下：

　　

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/10/20 15:46
# @Author  : yuantup
# @Site    :
# @File    : biquge.py
# @Software: PyCharm
import urllib.request
import re
import time
import os

def open_url(url):
    # 打开网址专用
    # 以字典的形式设置headers
    head = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            # 'Accept-Encoding': 'gzip',
            # 接受编码如果是gzip,deflate之类的，可能会报错
            'Accept-Language': 'zh-CN,zh;q=0.9',
            'Connection': 'keep-alive',
            'Host': 'sou.xanbhx.com',
            'Referer': 'https://www.biquge.cc/',
            'Upgrade-Insecure-Requests': '',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                          'Chrome/63.0.3239.132 Safari/537.36', }
    # 设置cookies
    # proxy = urllib.request.ProxyHandler({'http': '127.0.0.1:8888'})
    opener = urllib.request.build_opener()
    # 遍历字典，将其转换为指定格式（外层列表，里层元组）
    headers = []
    for key, value in head.items():
        item = (key, value)
        headers.append(item)
    opener.addheaders = headers
    urllib.request.install_opener(opener)
    response = urllib.request.urlopen(url)
    html = response.read()
    time.sleep(1)
    return html

def novel_detail(book_name):
    # 根据传入的小说名字获取到小说的详情页，并提取出小说内容（详情，每个章节的网址）
    # 小说存在重名情况！！！待解决
    zh_book_name = urllib.request.quote(book_name)
    url = 'https://sou.xanbhx.com/search?siteid=biqugecc&q=' + zh_book_name
    html = open_url(url).decode('utf-8')
    # print(html)
    name_pa = '<span class="s2">.*?<a href="(.*?)" target="_blank">.*?(\S*?)</a>'
    name_list = re.findall(name_pa, html, re.S)
    # print(name_list[1])
    if name_list[0][1] == book_name:
        book_url = name_list[0][0]
        print(book_url)
    elif not name_list:
        print('')
        print('对不起，该网址没有找到你需要的书。')
    return book_url

def content(url):
    # 获取小说正文
    html = open_url(url).decode('utf-8')
    # print(html)
    main_body_pa = r'最新章节（提示：已启用缓存技术，最新章节可能会延时显示，登录书架即可实时查看。）.*?<dt>(.*?)</div>'
    chapter_url_pa = r'<a style="" href="(.*?)">'
    main_body = re.findall(main_body_pa, html, re.S)
    # print(main_body, ' 1')
    # 记住re.findall()方法返回的时一个列表！！！
    chapter_url = re.findall(chapter_url_pa, main_body[0])
    # print(chapter_url, ' 2')
    time.sleep(2)
    return chapter_url

def save_novel(novel_url, content_url_list, book_name):
    # 保存小说内容
    for i in range(len(content_url_list)):
        real_url = novel_url + content_url_list[i]
        html = open_url(real_url).decode('utf-8')
        # print(html)
        chapter_name_pa = '<h1>(.*?)</h1>'
        chapter_name = re.search(chapter_name_pa, html).group(1)
        # print(chapter_name)
        # print(type(chapter_name))
        content_pa = r'<div id="content">(.*?)<script>'
        content1 = re.findall(content_pa, html, re.S)
        content2 = content1[0].replace('&nbsp;&nbsp;&nbsp;&nbsp;', ' ')
        content3 = content2.replace('<br/>', '\n')
        content4 = content3.replace('</br>', '')
        re_chapter_name = chapter_name.replace(' ', '')
        content5 = content4.replace(re_chapter_name, '')
        # 有些章节内容包括章节名，这里替换掉它们。
        whole_content = '   ' + chapter_name + '\n' + content5
        # print(whole_content)
        # print(chapter_name)
        with open(book_name + '.txt', 'a', encoding='utf-8') as f:
            f.write(whole_content)
            print('成功下载  {}'.format(chapter_name))
        time.sleep(1)

def main():
    path = r'E:\spiser_sons\books'
    a = os.getcwd()
    print(a)
    if os.path.exists(path):
        os.chdir(path)
        print(os.getcwd())
    else:
        os.mkdir(path)
        os.chdir(path)
    book_name = input('请输入想下载小说的名字：')
    novel_url = novel_detail(book_name)
    content_url_list = content(novel_url)
    save_novel(novel_url, content_url_list, book_name)

if __name__ == '__main__':
    main()

还有几个问题有待解决：

　　1.下载速度过慢，基本上一章2秒钟，几百万字的网文（1500+章）基本就要快一个小时了，亲测。。。。

　　2.小说有重名的话就很麻烦，只会下载排第一的。不过这个再添加一个作者判断应该可以解决。