python爬取网站的小说2

语言: CN / TW / HK

使用正则表达式

re.compile 函数

compile 函数用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match() 和 search() 这两个函数使用。

语法格式为:

re.compile(pattern[, flags])

参数:

  • pattern : 一个字符串形式的正则表达式

  • flags : 可选,表示匹配模式,比如忽略大小写,多行模式等,具体参数为:

  • re.I 忽略大小写

  • re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
  • re.M 多行模式
  • re.S 即为 . 并且包括换行符在内的任意字符( . 不包括换行符)
  • re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
  • re.X 为了增加可读性,忽略空格和 # 后面的注释

findall

在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表。

注意: match 和 search 是匹配一次 findall 匹配所有。

语法格式为:

findall(string[, pos[, endpos]])

参数:

  • string : 待匹配的字符串。
  • pos : 可选参数,指定字符串的起始位置,默认为 0。
  • endpos : 可选参数,指定字符串的结束位置,默认为字符串的长度。

python爬虫之小说网站--下载小说(正则表达式)

思路:

  1. 找到要下载的小说首页,打开网页源代码进行分析(例:https://www.kanunu8.com/files/old/2011/2447.html)
  2. 分析自己要得到的内容,首先分析url,发现只有后面的是变化的,先获得小说的没有相对路径,然后组合成新的url(每章小说的url)
  3. 获得每章小说的内容,进行美化处理

相关截图

03qR9s.png

03qfcq.png

03qIBT.png

源代码

import re import requests ​ # 要爬取的网站 url = 'https://www.kanunu8.com/book4/10509/' ​ # 先获取二进制,再进行解码 txt = requests.get(url).content.decode('gbk') # txt.conten是二进制形式的 ---n<head>\r\n<title>\xd6\xd0\xb9\xfa\xba\xcf\xbb\xef\xc8\xcb # print(txt) ​ m1 = re.compile(r'<td colspan="4" align="center"><strong>(.+)</strong>') # print(m1.findall(txt)) ​ m2 = re.compile(r'<td( width="25%")?><a href="(.+\.html)">(.+)</a></td>') print(m2.findall(txt)) ​ # 获得小说的目录以及对应的每个章节的相对路径 raw = m2.findall(txt) ​ sanguo = [] for i in raw: print([i[2],url+i[1]]) # ['第五章 成功之母', 'https://www.kanunu8.com/book4/10509/184616.html'] # 生成每个章节对应的url sanguo.append([i[2],url+i[1]]) ​ print("*"*100) print(sanguo) # [['第一章 梦的起源', 'https://www.kanunu8.com/book4/10509/184612.html'], ['第二章 偶像兄弟', 'https://www.kanunu8.com/book4/10509/184613.html'], ['第三章 恋爱必修', 'https://www.kanunu8.com/book4/10509/184614.html'], ['第四章 爱的代价', 'https://www.kanunu8.com/book4/10509/184615.html'], ['第五章 成功之母', 'https://www.kanunu8.com/book4/10509/184616.html'], ['第六章 命运转折', 'https://www.kanunu8.com/book4/10509/184617.html'], ['第七章 被迫下海', 'https://www.kanunu8.com/book4/10509/184618.html'], ['第八章 渐行渐远', 'https://www.kanunu8.com/book4/10509/184619.html'], ['第九章 三箭合一', 'https://www.kanunu8.com/book4/10509/184620.html'], ['第十章 梦想起航', 'https://www.kanunu8.com/book4/10509/184621.html'], ['第十一章 领航梦想', 'https://www.kanunu8.com/book4/10509/184622.html'], ['第十二章 平地波澜', 'https://www.kanunu8.com/book4/10509/184623.html'], ['第十三章 新的招牌', 'https://www.kanunu8.com/book4/10509/184624.html'], ['第十四章 神的弱点', 'https://www.kanunu8.com/book4/10509/184625.html'], ['第十五章 裂隙初现', 'https://www.kanunu8.com/book4/10509/184626.html'], ['第十六章 上市之争', 'https://www.kanunu8.com/book4/10509/184627.html'], ['第十七章 梦想巅峰', 'https://www.kanunu8.com/book4/10509/184628.html'], ['第十八章 乾纲独断', 'https://www.kanunu8.com/book4/10509/184629.html'], ['第十九章 一剑穿心', 'https://www.kanunu8.com/book4/10509/184630.html'], ['第二十章 渡尽劫波', 'https://www.kanunu8.com/book4/10509/184631.html'], ['尾\u3000声', 'https://www.kanunu8.com/book4/10509/184632.html']] ​ ​ # 匹配每章节的正文内容 # 每章小说的正文在<p>标签中 m3 = re.compile(r'<p>(.+)</p>',re.S) ​ # 小说中的<br />要被替换为空白 m4 = re.compile(r'<br />') ​ # &nbsp;也要被替换 m5 = re.compile(r'&nbsp;&nbsp;&nbsp;&nbsp;') ​ # 新建一个txt 中国合伙人1.txt with open('中国合伙人1.txt','a') as f: for i in sanguo: # i[1] 是章节的url i_url = i[1] print("正在下载--->%s" % i[0]) # 根据每个章节的url,先获取正文页面的二进制,再编码 r_nr = requests.get(i_url).content.decode('gbk') # 匹配正文 :带有<p>的 n_nr = m3.findall(r_nr) print(n_nr) # 把<br/>替换为空 sub()和replace()区别:sub()可以用正则 n = m4.sub('',n_nr[0]) # 把&nbsp;也替换为空 n2 = m5.sub('',n) n2 = n2.replace('\n','') # 写入txt # i[0]是章节名字 f.write('\n'+i[0]+'\n') f.write(n2)