使用playwright爬取魔笔小说网站并下载轻小说资源

谢滨兰

一、安装python

官网
下载python3.9及以上版本
二、安装playwright

playwright是微软公司2020年初发布的新一代自动化测试工具，相较于目前最常用的Selenium，它仅用一个API即可自动执行Chromium、Firefox、WebKit等主流浏览器自动化操作。
（1）安装Playwright依赖库

1. 1 pip install playwright

复制代码

 
（2）安装Chromium、Firefox、WebKit等浏览器的驱动文件（内置浏览器）

1. 1 python -m playwright install

复制代码

三、分析网站的HTML结构

魔笔小说网是一个轻小说下载网站，提供了mobi、epub等格式小说资源，美中不足的是，需要跳转城通网盘下载，无会员情况下被限速且同一时间只允许一个下载任务。
当使用chrome浏览器时点击键盘的F12进入开发者模式。
（一）小说目录

HTML内容

通过href标签可以获得每本小说的详细地址，随后打开该地址获取章节下载地址。
（二）章节下载目录

HTML内容

遍历每本小说的地址并保存到单独的txt文件中供后续下载。
（三）代码

1. 1 import time,re
2. 2
3. 3 from playwright.sync_api import Playwright, sync_playwright, expect
4. 4
5. 5 def cancel_request(route,request):
6. 6     route.abort()
7. 7 def run(playwright: Playwright) -> None:
8. 8     browser = playwright.chromium.launch(headless=False)
9. 9     context = browser.new_context()
10. 10     page = context.new_page()
11. 11     # 不加载图片
12. 12     # page.route(re.compile(r"(\.png)|(\.jpg)"), cancel_request)
13. 13     page.goto("https://mobinovels.com/")
14. 14     # 由于魔笔小说首页是动态加载列表，因此在此处加30s延迟，需手动滑动页面至底部直至加载完全部内容
15. 15     for i in range(30):
16. 16         time.sleep(1)
17. 17         print(i)
18. 18     # 定位至列表元素
19. 19     novel_list = page.locator('[]')
20. 20     # 统计小说数量
21. 21     total = novel_list.count()
22. 22     # 遍历获取小说详情地址
23. 23     for i in range(total):
24. 24         novel = novel_list.nth(i).locator("a")
25. 25         title = novel.inner_text()
26. 26         title_url = novel.get_attribute("href")
27. 27         page1 = context.new_page()
28. 28         page1.goto(title_url,wait_until='domcontentloaded')
29. 29         print(i+1,total,title)
30. 30         try:
31. 31             content_list = page1.locator("table>tbody>tr")
32. 32             # 保存至单独txt文件中供后续下载
33. 33             with open('./novelurl/'+title+'.txt', 'a') as f:
34. 34                 for j in range(content_list.count()):
35. 35                     if content_list.nth(j).locator("td").count() > 2:
36. 36                         content_href = content_list.nth(j).locator("td").nth(3).locator("a").get_attribute("href")
37. 37                         f.write(title+str(j+1)+'分割'+content_href + '\n')
38. 38         except:
39. 39             pass
40. 40         page1.close()
41. 41     # 程序结束后手动关闭程序
42. 42     time.sleep(50000)
43. 43     page.close()
44. 44
45. 45     # ---------------------
46. 46     context.close()
47. 47     browser.close()
48. 48
49. 49
50. 50 with sync_playwright() as playwright:
51. 51     run(playwright)

复制代码

（四）运行结果

四、开始下载

之所以先将下载地址保存到txt再下载而不是立即下载，是防止程序因网络等原因异常崩溃后记录进度，下次启动避免重复下载。
（一）获取cookies

城通网盘下载较大资源时需要登陆，有的轻小说文件较大时，页面会跳转到登陆页面导致程序卡住，因此需利用cookies保存登陆状态，或增加延迟手动在页面登陆。
chrome浏览器可以通过cookies editor插件获取cookies，导出后即可使用。
（二）分析下载地址

下载地址有三种类型，根据判断条件分别处理：
（1）文件的访问密码统一为6195，当域名为 https://url74.ctfile.com/ 地址后缀带有 ?p=6195 时，页面自动填入访问密码，我们需要在脚本中判断后缀是否为 ?p=6195 ，如不是则拼接字符串后访问；
（2）有后缀时无需处理；
（3）当域名为 https://t00y.com/ 时无需密码；

1. 1                         if "t00y.com" in new_url:
2. 2                             page.goto(new_url)
3. 3                         elif "?p=6195" not in new_url:
4. 4                             page.goto(new_url+"?p=6195")
5. 5                             page.get_by_placeholder("文件访问密码").click()
6. 6                             page.get_by_role("button", name="解密文件").click()
7. 7                         else:
8. 8                             page.goto(new_url)
9. 9                             page.get_by_placeholder("文件访问密码").click()
10. 10                             page.get_by_role("button", name="解密文件").click()

复制代码

（三）开始下载

playWright下载资源需利用 page.expect_download 函数。
下载完整代码如下：

1. 1 import time,os
2. 2
3. 3 from playwright.sync_api import Playwright, sync_playwright, expect
4. 4
5. 5
6. 6 def run(playwright: Playwright) -> None:
7. 7     browser = playwright.chromium.launch(channel="chrome", headless=False) # 此处使用的是本地chrome浏览器
8. 8     context = browser.new_context()
9. 9     path = r'D:\PycharmProjects\wxauto\novelurl'
10. 10     dir_list = os.listdir(path)
11. 11     # 使用cookies
12. 12     # cookies = []
13. 13     # context.add_cookies(cookies)
14. 14     page = context.new_page()
15. 15     for i in range(len(dir_list)):
16. 16         try:
17. 17             novel_url = os.path.join(path, dir_list[i])
18. 18             print(novel_url)
19. 19             with open(novel_url) as f:
20. 20                     for j in f.readlines():
21. 21                         new_name,new_url = j.strip().split("分割")
22. 22                         if "t00y.com" in new_url:
23. 23                             page.goto(new_url)
24. 24                         elif "?p=6195" not in new_url:
25. 25                             page.goto(new_url+"?p=6195")
26. 26                             page.get_by_placeholder("文件访问密码").click()
27. 27                             page.get_by_role("button", name="解密文件").click()
28. 28                         else:
29. 29                             page.goto(new_url)
30. 30                             page.get_by_placeholder("文件访问密码").click()
31. 31                             page.get_by_role("button", name="解密文件").click()
32. 32
33. 33                         with page.expect_download(timeout=100000) as download_info:
34. 34                             page.get_by_role("button", name="立即下载").first.click()
35. 35                             print(new_name,"开始下载")
36. 36                         download_file = download_info.value
37. 37                         download_file.save_as("./novel/"+dir_list[i][:-4]+"/"+download_file.suggested_filename)
38. 38                         time.sleep(3)
39. 39             os.remove(novel_url)
40. 40             print(i+1,dir_list[i],"下载结束")
41. 41         except:
42. 42             print(novel_url,"出错")
43. 43     time.sleep(60)
44. 44     page.close()
45. 45
46. 46     # ---------------------
47. 47     context.close()
48. 48     browser.close()
49. 49
50. 50
51. 51 with sync_playwright() as playwright:
52. 52     run(playwright)

复制代码

（四）运行结果

 
TRANSLATE with

<img id="FloaterLogo">

x  English

Arabic	Hebrew	Polish
Bulgarian	Hindi	Portuguese
Catalan	Hmong Daw	Romanian
Chinese Simplified	Hungarian	Russian
Chinese Traditional	Indonesian	Slovak
Czech	Italian	Slovenian
Danish	Japanese	Spanish
Dutch	Klingon	Swedish
English	Korean	Thai
Estonian	Latvian	Turkish
Finnish	Lithuanian	Ukrainian
French	Malay	Urdu
German	Maltese	Vietnamese
Greek	Norwegian	Welsh
Haitian Creole	Persian

<img alt="" >

   

<img id="HelpImg">

<img id="EmbedImg">

<img id="ShareImg">

     TRANSLATE with

<img id="CollapsedLogoImg">

  COPY THE URL BELOW      

<img id="EmailImg">

   

<img id="ShareHelpImg">

Back      EMBED THE SNIPPET BELOW IN YOUR SITE  

<img id="EmbedHelpImg">

   Enable collaborative features and customize widget: Bing Webmaster PortalBack
来源:https://www.cnblogs.com/xwjz/p/17752999.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！