网络爬虫爬取三国演义所有章节的标题和内容(BeautifulSoup解析)

在这里插入图片描述

前言：

三国演义是我比较喜欢的小说了,记得袁阔成老先生说，《三国演义》是那段历史的一座人才宝库,也是一部活的兵书,是一座军事大课堂。从小喜欢读三国演义，常常为作者的文笔而惊叹。在这本书里，我们看见了过往的，看到了历史璀璨的文化积淀，同时我们也获取到了心灵的养分。

很清楚的很深刻的一种感觉就是，史学文化巨著是一种鸡汤，就算我们学会太多的技术也无法代替文话巨著对人类的影响。没有中华文化的熏陶，心灵永远是干涸的。

正文：

我坚信你我前面说到的不是废话，但我们要开始正文。

目的需求：爬取三国演义的所有章节的标题和内容。

环境要求：requests模块，BeautifulSoup(美味的汤)模块

下面我们开始行动

首先，打开一个网站，直接搜索诗词名句网。给力的是，这个网站也可以看到我喜欢点的三国演义以及各种名著。

在这里插入图片描述

我们点击古籍然后点击三国演义，因为今天我们要拿到三国演义的所有内容。

在这里插入图片描述

可以看到三国演义就在这里。我们要拿到它的标题，以及对应的内容。并没有分析是否可以自浏览器直接进行下载，但是我们采用爬虫的效率是绝对比较高的，当你要分析大量的数据时，爬虫当然是发挥着巨大的作用。而且，爬虫可以办到你在浏览器页面办不到的事情。

开始分析网页

右键检查网页源代码，我们这一次并不打算在network那里采用抓包，我们要分析网页的代码，我们要进行解析。

在这里插入图片描述

可以看到，我们在源代码那里进行区域移动，左边可以对应到相应的区域，以此，我们可以进行区域的定位。得出标题在源代码标签的位置。

在这里插入图片描述

分析可以定位到这里三国演义的每个章节的标题是对应每一个li标签的。

我们要获取li标签下面的文本内容，就是标题。我们要获取所有的li标签，那就需要匹配。毫无疑问，本章我是用BeautifulSoup来进行解析的，我要熬制一小锅美味的汤。

在这里插入图片描述

如上图，其实你打开每一个li标签，里面的文本内容，就是标题，获取标题我们用到的方法属性是 title = li.a.string，所谓li.a.string就是获取a标签的直系标签。就是如此。 但是我们需要定位，可以看到li标签在div标签，并且class="book-nulu"这里， 我们用到的属性方法就是soup.select(’.book-mulu>ul>li’)，一个点.就代表指定类，>号，代表层级关系，所以我们这样写。 另外，还有一个链接，其实对应的正文应该就在那里了。打开看看。

在这里插入图片描述

可以看到，不出所料。但其实，你会发现，在li标签看到的链接是不完整的。 比如li标签里面是 /book/sanguoyanyi/1.html，但其实当你打开这个链接时，地址栏其实是https://www.shicimingju.com/book/sanguoyanyi/1.html。所以它存在一个拼接url的过程。所以在写程序时我们也需要给它拼接一下。

在这里插入图片描述

如上图，我们会发现，正文在这里，其实也是在一个标签里面。当我们获取当这个页面的全部内用时，我们还是需要来定位获取目标文本。 soup.find(‘div’,class_ = ‘chapter_content’) 指定div标签以及属性来定位。这样我们就可以获取到正文数据。

大致的分析定位就是如此。

代码实现思路

那么如何代码实现，我们要明白，我们当然先要请求到这个主页，我们然后通过数据解析来定位到 li 标签。然后我们可以获取相应的标题，但是我们需要再次请求一下，那就是获取正文，当然正文的url是需要拼接的。

具体代码实现以及相关注释解析 下面展示一些 内联代码片。

// An highlighted block
import requests
from bs4 import  BeautifulSoup
if __name__ == '__main__':
    pass
    #对首页的数据进行爬取
    headers = {
        'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36'
    }
    url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
    page_text = requests.get(url =url,headers= headers).content
    #在首页中解析出所有章节的标题和详情页的url
    #实例化BeautifulSoup对象，需要将页面的网页源码加载到该对象中
    soup = BeautifulSoup(page_text,'lxml') #拿到了对象
    #解析章节标题和详情页的数据
    li_list = soup.select('.book-mulu>ul>li')层级表达式
    fp = open('./sanguoyanyi.text', 'w', encoding='utf-8')
    for li in li_list :
        title = li.a.string
        detail_url = 'https://www.shicimingju.com'+li.a['href']
        #对详情页发起请求，并进行解析
        detail_page_text =requests.get(url=detail_url,headers=headers).content
        #解析详情页面的内容
        detail_soup = BeautifulSoup(detail_page_text,'lxml')
        div_tag = detail_soup.find('div',class_ = 'chapter_content')
        content = div_tag.text
        fp.write(title+":"+content+'\n')
        print(title+'爬取成功')

代码很简单，但是我们需要分析一波，里面相关的语法还是需要了解，比如如何解析网页。python代码的长度并不能决定它所涉及的操作难度，以及知识范围。我们来看测试运行。

在这里插入图片描述

章节比较多，只能展示一部分，这里控制台打印出所有的已经抓取完毕。那我们打开文件来看。

在这里插入图片描述

在这里插入图片描述

以notepad++，记事本打开都可，当然，pycharm也可以。

注：page_text = requests.get(url =url,headers= headers).content 这一段代码，我们的指定content，是以二进制来获取的，如果你指定.text,可能会出现乱码，我尝试过，我们目前以二进制来获取，然后在后面指定编码。后面出现这种指定，也是同样的道理。

追加解释：关于headers已经是很熟悉了，一般是要指定User-Agent，就是模拟浏览器，但是反爬加强的，我们需要指定更多，比如cookies，甚至cstf，甚至更多，就是网站做出的反爬机制嘛。 还有保存的遍历，遍历li标签，获取一个li标签，就要得到它的标题，以及再次请求获取到正文。如此这般，就可以获取每一个标签下对应的正文。关于爬取可能的文字欠缺可能与网络速度等诸多因素有关，但是效果我们是可以达到需求的。 其他的感觉没有什么疑惑，已经很用心的讲解了哈哈哈。

相关的请遵守csdn协议

还是希望各位猿友多多指点。