爬虫实战：从网页到本地，如何轻松实现小说离线阅读

子阳无限好

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：

1. 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'}
2. req = Request("https://www.readnovel.com/",headers=headers)
3. # 发出请求，获取html
4. # 获取的html内容是字节，将其转化为字符串
5. html = urlopen(req)
6. html_text = bytes.decode(html.read())
7. soup = bf(html_text,'html.parser')
9. for li in soup.select('#new-book-list li'):
10.     a_tag = li.select_one('a[data-eid="qd_F24"]')
11.     p_tag = li.select_one('p')
12.     book = {
13.         'href': a_tag['href'],
14.         'title': a_tag.get('title'),
15.         'content': p_tag.get_text()
16.     }
17.     print(book)

复制代码

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：

1. 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'}
2. req = Request(f"https://www.readnovel.com{link}#Catalog",headers=headers)
3. # 发出请求，获取html
4. # 获取的html内容是字节，将其转化为字符串
5. html = urlopen(req)
6. html_text = bytes.decode(html.read())
7. soup = bf(html_text,'html.parser')
8. og_title = soup.find('meta', property='og:title')['content']
9. og_description = soup.find('meta', property='og:description')['content']
10. og_novel_author = soup.find('meta', property='og:novel:author')['content']
11. og_novel_update_time = soup.find('meta', property='og:novel:update_time')['content']
12. og_novel_status = soup.find('meta', property='og:novel:status')['content']
13. og_novel_latest_chapter_name = soup.find('meta', property='og:novel:latest_chapter_name')['content']
14. # 查找内容为"免费试读"的a标签
15. div_tag = soup.find('div', id='j-catalogWrap')
16. list_items = div_tag.find_all('li', attrs={'data-rid': True})
17. for li in list_items:
18.     link_text = li.find('a').text
19.     if '第' in link_text:
20.         link_url = li.find('a')['href']
21.         link_obj = {'link_text':link_text,
22.                 'link_url':link_url}
23.         free_trial_link.append(link_obj)
24. print(f"书名:{og_title}")
25. print(f"简介:{og_description}")
26. print(f"作者:{og_novel_author}")
27. print(f"最近更新:{og_novel_update_time}")
28. print(f"当前状态:{og_novel_status}")
29. print(f"最近章节:{og_novel_latest_chapter_name}")

复制代码

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：

1. 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'}
2. req = Request(f"https://www.readnovel.com{link}",headers=headers)
3. # 发出请求，获取html
4. # 获取的html内容是字节，将其转化为字符串
5. html = urlopen(req)
6. html_text = bytes.decode(html.read())
7. soup = bf(html_text, 'html.parser')
8. name = soup.find('h1',class_='j_chapterName')
9. chapter = {
10.     'name':name.get_text()
11. }
12. print(name.get_text())
13. ywskythunderfont = soup.find('div', class_='ywskythunderfont')
14. if ywskythunderfont:
15.     p_tags = ywskythunderfont.find_all('p')
16.     chapter['text'] = p_tags[0].get_text()
17.     print(chapter)

复制代码

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。

1. file_name = 'a.txt'
2. with open(file_name, 'w', encoding='utf-8') as file:
3.     file.write('尝试下载')
4. print(f'文件 {file_name} 下载完成！')

复制代码

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。
[code]# 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 import  readkeyFGS = ['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[data-eid="qd_F24"]')        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[0].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 = [f'{i + j}:{book_list[i + j]["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