子阳无限好 发表于 2024-3-19 12:45:02

爬虫实战:从网页到本地,如何轻松实现小说离线阅读

今天我们将继续进行爬虫实战,除了常规的网页数据抓取外,我们还将引入一个全新的下载功能。具体而言,我们的主要任务是爬取小说内容,并实现将其下载到本地的操作,以便后续能够进行离线阅读。
为了确保即使在功能逐渐增多的情况下也不至于使初学者感到困惑,我特意为你绘制了一张功能架构图,具体如下所示:

让我们开始深入解析今天的主角:小说网
小说解析

书单获取

在小说网的推荐列表中,我们可以选择解析其中的某一个推荐内容,而无需完全还原整个网站页面的显示效果,从而更加高效地获取我们需要的信息。
以下是一个示例代码,帮助你更好地理解:
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}
req = Request("https://www.readnovel.com/",headers=headers)
# 发出请求,获取html
# 获取的html内容是字节,将其转化为字符串
html = urlopen(req)
html_text = bytes.decode(html.read())
soup = bf(html_text,'html.parser')

for li in soup.select('#new-book-list li'):
    a_tag = li.select_one('a')
    p_tag = li.select_one('p')
    book = {
      'href': a_tag['href'],
      'title': a_tag.get('title'),
      'content': p_tag.get_text()
    }
    print(book)书籍简介

在通常情况下,我们会先查看书单,然后对书籍的大致内容进行了解,因此直接解析相关内容即可。以下是一个示例代码:
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}
req = Request(f"https://www.readnovel.com{link}#Catalog",headers=headers)
# 发出请求,获取html
# 获取的html内容是字节,将其转化为字符串
html = urlopen(req)
html_text = bytes.decode(html.read())
soup = bf(html_text,'html.parser')
og_title = soup.find('meta', property='og:title')['content']
og_description = soup.find('meta', property='og:description')['content']
og_novel_author = soup.find('meta', property='og:novel:author')['content']
og_novel_update_time = soup.find('meta', property='og:novel:update_time')['content']
og_novel_status = soup.find('meta', property='og:novel:status')['content']
og_novel_latest_chapter_name = soup.find('meta', property='og:novel:latest_chapter_name')['content']
# 查找内容为"免费试读"的a标签
div_tag = soup.find('div', id='j-catalogWrap')
list_items = div_tag.find_all('li', attrs={'data-rid': True})
for li in list_items:
    link_text = li.find('a').text
    if '第' in link_text:
      link_url = li.find('a')['href']
      link_obj = {'link_text':link_text,
                'link_url':link_url}
      free_trial_link.append(link_obj)
print(f"书名:{og_title}")
print(f"简介:{og_description}")
print(f"作者:{og_novel_author}")
print(f"最近更新:{og_novel_update_time}")
print(f"当前状态:{og_novel_status}")
print(f"最近章节:{og_novel_latest_chapter_name}")在解析过程中,我们发现除了获取书籍的大致内容外,还顺便解析了相关的书籍目录。将这些目录保存下来会方便我们以后进行试读操作,因为一旦对某本书感兴趣,我们接下来很可能会阅读一下。如果确实对书籍感兴趣,可能还会将其加入书单。为了避免在阅读时再次解析,我们在这里直接保存了这些目录信息。
免费试读

在这一步,我们的主要任务是解析章节的名称以及章节内容,并将它们打印出来,为后续封装成方法以进行下载或阅读做准备。这样做可以更好地组织和管理数据,提高代码的复用性和可维护性。下面是一个示例代码,展示了如何实现这一功能:
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}
req = Request(f"https://www.readnovel.com{link}",headers=headers)
# 发出请求,获取html
# 获取的html内容是字节,将其转化为字符串
html = urlopen(req)
html_text = bytes.decode(html.read())
soup = bf(html_text, 'html.parser')
name = soup.find('h1',class_='j_chapterName')
chapter = {
    'name':name.get_text()
}
print(name.get_text())
ywskythunderfont = soup.find('div', class_='ywskythunderfont')
if ywskythunderfont:
    p_tags = ywskythunderfont.find_all('p')
    chapter['text'] = p_tags.get_text()
    print(chapter)小说下载

当我们完成内容解析后,已经成功获取了小说的章节内容,接下来只需执行下载操作即可。对于下载操作的具体步骤,如果有遗忘的情况,我来帮忙大家进行回顾一下。
file_name = 'a.txt'
with open(file_name, 'w', encoding='utf-8') as file:
    file.write('尝试下载')
print(f'文件 {file_name} 下载完成!')包装一下

按照老规矩,以下是源代码示例。即使你懒得编写代码,也可以直接复制粘贴运行一下,然后自行琢磨其中的细节。这样能够更好地理解代码的运行逻辑和实现方式。
# 导入urllib库的urlopen函数from urllib.request import urlopen,Request# 导入BeautifulSoupfrom bs4 import BeautifulSoup as bffrom random import choice,samplefrom colorama import initfrom termcolor import coloredfrom readchar importreadkeyFGS = ['green', 'yellow', 'blue', 'cyan', 'magenta', 'red']book_list = []free_trial_link = []headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}def get_hot_book():    print(colored('开始搜索书单!',choice(FGS)))    book_list.clear()    req = Request("https://www.readnovel.com/",headers=headers)    # 发出请求,获取html    # 获取的html内容是字节,将其转化为字符串    html = urlopen(req)    html_text = bytes.decode(html.read())    soup = bf(html_text,'html.parser')    for li in soup.select('#new-book-list li'):      a_tag = li.select_one('a')      p_tag = li.select_one('p')      book = {            'href': a_tag['href'],            'title': a_tag.get('title'),            'content': p_tag.get_text()      }      book_list.append(book)def get_book_detail(link):    global free_trial_link    free_trial_link.clear()    req = Request(f"https://www.readnovel.com{link}#Catalog",headers=headers)    # 发出请求,获取html    # 获取的html内容是字节,将其转化为字符串    html = urlopen(req)    html_text = bytes.decode(html.read())    soup = bf(html_text,'html.parser')    og_title = soup.find('meta', property='og:title')['content']    og_description = soup.find('meta', property='og:description')['content']    og_novel_author = soup.find('meta', property='og:novel:author')['content']    og_novel_update_time = soup.find('meta', property='og:novel:update_time')['content']    og_novel_status = soup.find('meta', property='og:novel:status')['content']    og_novel_latest_chapter_name = soup.find('meta', property='og:novel:latest_chapter_name')['content']    # 查找内容为"免费试读"的a标签    div_tag = soup.find('div', id='j-catalogWrap')    list_items = div_tag.find_all('li', attrs={'data-rid': True})    for li in list_items:      link_text = li.find('a').text      if '第' in link_text:            link_url = li.find('a')['href']            link_obj = {'link_text':link_text,                  'link_url':link_url}            free_trial_link.append(link_obj)    print(colored(f"书名:{og_title}",choice(FGS)))    print(colored(f"简介:{og_description}",choice(FGS)))    print(colored(f"作者:{og_novel_author}",choice(FGS)))    print(colored(f"最近更新:{og_novel_update_time}",choice(FGS)))    print(colored(f"当前状态:{og_novel_status}",choice(FGS)))    print(colored(f"最近章节:{og_novel_latest_chapter_name}",choice(FGS)))def free_trial(link):    req = Request(f"https://www.readnovel.com{link}",headers=headers)    # 发出请求,获取html    # 获取的html内容是字节,将其转化为字符串    html = urlopen(req)    html_text = bytes.decode(html.read())    soup = bf(html_text, 'html.parser')    name = soup.find('h1',class_='j_chapterName')    chapter = {      'name':name.get_text()    }    print(colored(name.get_text(),choice(FGS)))    ywskythunderfont = soup.find('div', class_='ywskythunderfont')    if ywskythunderfont:      p_tags = ywskythunderfont.find_all('p')      chapter['text'] = p_tags.get_text()    return chapterdef download_chapter(chapter):    file_name = chapter['name'] + '.txt'    with open(file_name, 'w', encoding='utf-8') as file:      file.write(chapter['text'].replace('\u3000\u3000', '\n'))    print(colored(f'文件 {file_name} 下载完成!',choice(FGS)))def print_book():    for i in range(0, len(book_list), 3):      names = ["title"]}' for j in range(3) if i + j < len(book_list)]      print(colored('\t\t'.join(names),choice(FGS)))def read_book(page):    if not free_trial_link:      print(colored('未选择书单,无法阅读!',choice(FGS)))      print(colored(free_trial(free_trial_link['link_url'])['text'],choice(FGS)))get_hot_book()init() ## 命令行输出彩色文字print(colored('已搜索完毕!',choice(FGS)))print(colored('m:返回首页',choice(FGS)))print(colored('d:免费试读',choice(FGS)))print(colored('x:全部下载',choice(FGS)))print(colored('n:下一章节',choice(FGS)))print(colored('b:上一章节',choice(FGS)))print(colored('q:退出阅读',choice(FGS)))my_key = ['q','m','d','x','n','b']current = 0while True:    while True:      move = readkey()      if move in my_key:            break    if move == 'q': ## 键盘‘Q’是退出      break   if move == 'd':          read_book(current)    if move == 'x':## 这里只是演示为主,不循环下载所有数据了      download_chapter(free_trial(free_trial_link['link_url']))    if move == 'b':          current = current - 1      if current < 0 :            current = 0      read_book(current)    if move == 'n':          current = current + 1      if current > len(free_trial_link) :            current = len(free_trial_link) - 1      read_book(current)    if move == 'm':      print_book()      current = 0      num = int(input('请输入书单编号:=====>'))      if num
页: [1]
查看完整版本: 爬虫实战:从网页到本地,如何轻松实现小说离线阅读