前言
今天给大家介绍的是Python爬取小说数据并保存txt文档,在这里给需要的小伙伴们代码,并且给出一点小心得。
首先是爬取之前应该尽可能伪装成浏览器而不被识别出来是爬虫,基本的是加请求头,但是这样的纯文本数据爬取的人会很多,所以我们需要考虑更换代理IP和随机更换请求头的方式来对小说数据进行爬取。
在每次进行爬虫代码的编写之前,我们的第一步也是最重要的一步就是分析我们的网页。
通过分析我们发现在爬取过程中速度比较慢,所以我们还可以通过禁用谷歌浏览器图片、JavaScript等方式提升爬虫爬取速度。
开发工具
Python版本: 3.6
相关模块:
requests模块
parsel模块
tqdm模块
pandas模块
环境搭建
安装Python并添加到环境变量,pip安装需要的相关模块即可。
文中完整代码及小说,评论留言获取
思路分析
浏览器中打开我们要爬取的页面
按F12进入开发者工具,查看我们想要的小说数据在哪里
这里我们需要页面数据就可以了
Cookie获取
代码实现
headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36', #'Cookie': '你的Cookie'}def get_response(html_url): """发送请求""" # headers 字典类型 键值对 :隔开 # headers 请求头的作用: 把python代码伪装成浏览器对服务器发送请求 response = requests.get(url=html_url, headers=headers) time.sleep(6) return responsedef save(name, title, content): with open(name + '.txt', mode='a', encoding='utf-8') as f: f.write(title) f.write('\n') f.write(content) f.write('\n')def get_novel_content(html_url): response = get_response(html_url) # parsel 解析数据 是需要把获取到的html字符串数据 转换成 selector 对象 # selector 对象 调用封装好的 css选择器 xpath # 解析数据 提取小说url章节地址 小说名字 selector = parsel.Selector(response.text) # css选择器 通过标签属性 提起数据 name = selector.css('#info h1::text').get() href = selector.css('#list dd a::attr(href)').getall() # get 获取一个标签内容[字符串] getall 是获取所有标签属性内容[列表] # 想要把列表里面每一个元素都提取出来的话, 是需要通过遍历 for index in href: # https://www.biquges.com/10_10770/6896120.html index_url = 'https://www.biquges.com' + index response_1 = get_response(index_url) selector_1 = parsel.Selector(response_1.text) title = selector_1.css('.bookname h1::text').get() print(title) content_list = selector_1.css('#content::text').getall() # 保存文本数据 是字符串的形式 # 把列表转换成字符串 str() 强制转换数据类型 content = ''.join(content_list) save(name, title, content)
结果展示
最后
今天的分享到这里就结束了 ,感兴趣的朋友也可以去试试哈
对文章有问题的,或者有其他关于python的问题,可以在评论区留言或者私信我哦
觉得我分享的文章不错的话,可以关注一下我,或者给文章点赞(/≧▽≦)/