[Python]用Python下载网络小说.23333
看网络小说一般会攒上一波，然后导入Kindle里面去看，但是攒的多了，机械的Ctrl+C和Ctrl+V实在是OUT，所以就出现了此文。
其实Python我也是小白，用它的目的主要是它强大文本处理能力和网络支持，以及许多好用的库，不需要自己造轮子。而且真心比C方便啊（真是用了才知道）
分析要获取的网页
这里写图片描述
我要获取的主要是3个东西：
- 文章的标题。
<div id="title">正文 第一章 北灵院</div> - 文章正文内容。
<div id="content" style="line-height: 150%; color: rgb(0, 0, 0);"> - 下一章的URL。
<a href="11455541.html">下一页</a>
还有就是注意网页的编码，这个网页的编码是GBK，但在实际运行过程中，我用GBK会出现网页解码错误:
UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 2-3: illegal multibyte sequence
所以换用了gb18030，问题就解决了，因为一般修仙网络小说中，会出现各种王霸之气的文字，你们懂得，所以需要更加牛逼文字库，你们感受一下博大精深的字符编码。
这里写图片描述
源代码
我就知道，大家要这个，哈哈哈。
主函数
#主函数
if __name__ == '__main__':
global numChapter
global NOVERL
NOVERL = '大主宰.txt'
#NOVERL = '择天记.txt'
NOVERL = '武动乾坤.txt'
if(NOVERL == '大主宰.txt'):
textStartURL = 'http://www.bxwx8.org/b/62/62724/11455540.html';#大主宰第一章的URL
textStartURL = 'http://www.bxwx8.org/b/62/62724/28019405.html';#第一千两百三十七章 鬼大师
else:
textStartURL = 'http://www.bxwx8.org/b/98/98289/17069215.html';#择天记第一章URL
textStartURL = 'http://www.bxwx8.org/b/98/98289/28088874.html';#择天记第七十八章 合剑术
textStartURL = 'http://www.bxwx8.org/b/35/35282/5839471.html';#武动乾坤第一章
#textStartURL = 'http://www.bxwx8.org/b/35/35282/7620539.html';#武动乾坤
nextURL = textStartURL;
isEnd = False
f = open(NOVERL, 'w', encoding='utf-8')
f.close()
numChapter = 0;
while(not isEnd):
nextURL,isEnd = findNextTextURL(nextURL)
print('end of capture!')
print('获取到 ' + str(numChapter) + ' 章')获取内容和下一章URL
#找到 下一章节的URL
#获取小说内容
def findNextTextURL(url):
global numChapter
global NOVERL
#如果nextURL == endURL 则返回false
if(NOVERL == '大主宰.txt'):
endURL = 'http://www.bxwx8.org/b/62/62724/index.html'#大主宰
headURL = 'http://www.bxwx8.org/b/62/62724/'#大主宰
else:
endURL = 'http://www.bxwx8.org/b/98/98289/index.html'#择天记
headURL = 'http://www.bxwx8.org/b/98/98289/'#择天记
endURL = 'http://www.bxwx8.org/b/35/35282/index.html'#武动乾坤
headURL = 'http://www.bxwx8.org/b/35/35282/'#武动乾坤
isEnd = False
resp = urllib.request.urlopen(url)
#处理的字符的确是gbk的，但是其中夹杂的部分特殊字符，
#是gbk编码中所没有的如果有些特殊字符是GB18030中有的，但是是gbk中没有的。
#则用gbk去解码，去所不支持的字符，也比如会出错。
#所以，此种情况，可以尝试用和当前编码（gbk）所兼容的但所包含字符更多的编码（gb18030）去解码，或许就可以了。
#allHtml = resp.read().decode('gbk')#
allHtml = resp.read().decode('gb18030')#
textSoup = BeautifulSoup(allHtml)
#章节名
strChapter = textSoup.find(id='title').getText().split(r'【')[0]
strChapter = strChapter.split(r'（')[0]
strChapter = strChapter.replace('正文 ','') + '\n'
numChapter = numChapter + 1
strID = '#' + str(numChapter) + '-'
strChapter = strID + strChapter
strChapter = strChapter + '\n------------------------------\n' + url + '\n------------------------------\n'
#小说正文
strNovel = textSoup.find(id='content').getText()
strNovel = strNovel.replace(' ','\n')
#除去正文中多余的第XXX章
strMatch = r"第[\u4e00-\u9fa5]+章"
list2replace = re.findall(strMatch, strNovel)
if list2replace:
str2replace = list2replace[0]
strNovel = strNovel.replace(str2replace, '')
#合并章节和正文
strNovel = strChapter + strNovel + '\n------------------------------\n------------------------------\n'
#写到txt文件中
write2TXT(strNovel)
#获取下一个章节的URL
nextURL = re.findall(r'var next_page = "[\w]+.html"', allHtml)[0]
nextURL = nextURL.replace(r'"', '')
nextURL = nextURL.replace(r'var next_page = ', '')
nextURL = headURL + nextURL
print(numChapter)#章节数
print(strChapter)#章节名字
print((nextURL))#下一章URL
if(endURL == nextURL):
isEnd = True
return nextURL,isEnd写入TXT
#写到文本文件中
def write2TXT(txt):
global NOVERL
f = open(NOVERL, 'a', encoding='utf-8')
f.write(txt + '\n\n')
f.close()结束语
三个说明：
- txt文本的编排肯定不好，而且在Kindle里面无法自动分章，多看阅读可以，原生系统就GG了，所以下一步可以用epubBuilder这款软件进行二次编排，输出mobi导入你的Kindle。
- 本程序只是针对这个网站而已，但是如果网站换了，细节性代码就得重新写了。不过大框架还可以用。
- 网络小说毒害有志青年，一入网文深是海，从此节操是路人，诸君且行且珍惜!
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录