Python爬取三国演义的实现方法
admin
2023-08-01 19:35:51
0

本文的爬虫教程分为四部:

     1.从哪爬 where

     2.爬什么 what

     3.怎么爬 how

     4.爬了之后信息如何保存 save

一、从哪爬

三国演义

二、爬什么

三国演义全文

三、怎么爬

在Chrome页面打开F12,就可以发现文章内容在节点

只要找到这个节点,然后把内容写入到一个html文件即可。

content = soup.find(\"div\", {\"class\": \"bookyuanjiao\", \"id\": \"con\"})

四、爬了之后如何保存

主要就是拿到内容,拼接到一个html文件,然后保存下来就可以了。

#!usr/bin/env 
# -*-coding:utf-8 -*-
import urllib2
import os
from bs4 import BeautifulSoup as BS
import locale
import sys
from lxml import etree
import re

reload(sys)
sys.setdefaultencoding(\'gbk\')

sub_folder = os.path.join(os.getcwd(), \"sanguoyanyi\")
if not os.path.exists(sub_folder):
  os.mkdir(sub_folder)

path = sub_folder

# customize html as head of the articles
input = open(r\'0.html\', \'r\')
head = input.read()

domain = \'http://www.shicimingju.com/book/sanguoyanyi.html\'
t = domain.find(r\'.html\')
new_domain = \'/\'.join(domain.split(\"/\")[:-2])
first_chapter_url = domain[:t] + \"/\" + str(1) + \'.html\'
print first_chapter_url

# Get url if chapter lists
req = urllib2.Request(url=domain)
resp = urllib2.urlopen(req)
html = resp.read()
soup = BS(html, \'lxml\')
chapter_list = soup.find(\"div\", {\"class\": \"bookyuanjiao\", \"id\": \"mulu\"})
sel = etree.HTML(str(chapter_list))
result = sel.xpath(\'//li/a/@href\')

for each_link in result:
  each_chapter_link = new_domain + \"/\" + each_link
  print each_chapter_link
  req = urllib2.Request(url=each_chapter_link)
  resp = urllib2.urlopen(req)
  html = resp.read()

  soup = BS(html, \'lxml\')
  content = soup.find(\"div\", {\"class\": \"bookyuanjiao\", \"id\": \"con\"})
  title = soup.title.text
  title = title.split(u\'_《三国演义》_诗词名句网\')[0]

  html = str(content)
  html = head + html + \"\"

  filename = path + \"\\\\\" + title + \".html\"
  print filename
  # write file
  output = open(filename, \'w\')
  output.write(html)
  output.close()

0.html的内容如下

总结

以上就是利用Python爬取三国演义的实现方法,希望对大家学习python能有所帮助,如果有疑问大家可以留言交流。

相关内容

热门资讯

500 行 Python 代码... 语法分析器描述了一个句子的语法结构,用来帮助其他的应用进行推理。自然语言引入了很多意外的歧义,以我们...
定时清理删除C:\Progra... C:\Program Files (x86)下面很多scoped_dir开头的文件夹 写个批处理 定...
65536是2的几次方 计算2... 65536是2的16次方:65536=2⁶ 65536是256的2次方:65536=256 6553...
Mobi、epub格式电子书如... 在wps里全局设置里有一个文件关联,打开,勾选电子书文件选项就可以了。
scoped_dir32_70... 一台虚拟机C盘总是莫名奇妙的空间用完,导致很多软件没法再运行。经过仔细检查发现是C:\Program...
小程序支付时提示:appid和... [Q]小程序支付时提示:appid和mch_id不匹配 [A]小程序和微信支付没有进行关联,访问“小...
pycparser 是一个用... `pycparser` 是一个用 Python 编写的 C 语言解析器。它可以用来解析 C 代码并构...
微信小程序使用slider实现... 众所周知哈,微信小程序里面的音频播放是没有进度条的,但最近有个项目呢,客户要求音频要有进度条控制,所...
python查找阿姆斯特朗数 题目解释 如果一个n位正整数等于其各位数字的n次方之和,则称该数为阿姆斯特朗数。 例如1^3 + 5...
Apache Doris 2.... 亲爱的社区小伙伴们,我们很高兴地向大家宣布,Apache Doris 2.0.0 版本已于...