Python爬虫实例之——小说下载

这是小詹关于爬虫的第②篇文章！

第一篇关于爬虫中介绍了一些基本的术语和简单的操作，这里不重复叙述了，直接放链接，不记得的自己在文章末尾点击前期链接补补~

本篇开始要进入实操啦，今天第一篇先从简单的爬起~先爬一爬文本格式的数据吧，以小说为例。大致流程为：获取HTML信息，解析HTML信息，将HTML信息中选择感兴趣的保存~

①

首先上篇还没有说到requests库的使用，这是一个十分强大的库，现列举几个基础方法：（官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html）

②

随便以一篇小说《复兴之路》为例，其第一章URL：http://www.biqukan.com/11_11745/4321123.html

现在我们先利用前篇内容获取html信息试试看。

其结果的确获取了所要的html信息，然而多了很多我们不需要的数据，实际上多的这些数据时div、br等html标签，我们并不care这些，所以我们需要将正文提取出来，也就是在获取了html信息之后将其解析，提取我们需要的信息。

提取的方法中很牛逼的正则表达式暂时不涉及，用一个简单的BeautifulSoup，其安装同requests一样，pip install 即可~

根据上一讲的方法，可以通过审查元素发现文章所有内容都存放在div标签下

观察不同标签发现class属性为showtxt的div标签只有一个！这个标签里面存放的内容，是我们需要的小说正文。于是利用beautifulsoup提取内容代码如下：

在解析html之前，我们需要创建一个Beautiful Soup对象。BeautifulSoup函数里的参数就是我们已经获得的html信息。然后我们使用find_all方法，获得html信息中所有class属性为showtxt的div标签。find_all方法的第一个参数是获取的标签名，第二个参数class_是标签的属性。

最后我们还是发现多了其他的一些标签不是我们想要的。find_all匹配的返回的结果是一个列表。提取匹配结果后，使用text属性，提取文本内容，滤除br标签。随后使用replace方法，剔除空格，替换为回车进行分段。 在html中是用来表示空格的。replace(‘\xa0’*8,’\n\n’)就是去掉下图的八个空格符号，并用回车代替：

这时候我们得到了想要的结果：

但是但是！！！重点是如果我们想整本书下载下来呢？同样通过审查元素发现全书各个章节存放在了class属性为listmain的div标签下，各章之间差别就在于这些章节的【href】属性不一样，而且其属性正好对应着每一章节URL后半部分，那这样，我们就可以根据标签的href属性值获得每个章节的链接和名称了。如下图：

所以再次利用find_all方法获取所有目录：

得到如下结果：

再接着提取章节名和章节文章：

结果如下：

③

将上边的代码进行整合，于是得到如下完整代码：

其运行后会自动下载此小说《复习之路》，你的又一个爬虫实践成功finish啦~