1. 工具

开发环境：Python3.7 + Visual Studio Code
浏览器：谷歌浏览器
安装Python库：requests——用来获取HTML、BeautifulSoup——用来解析HTML文档

2. 正文

2.1 URL

目标：在新笔趣阁网站上爬取烽火戏诸侯的《雪中悍刀行》（此处安利一波，烽火大大的文笔很好，天不生我李淳罡。。。。。跑偏了）。
目录页地址：http://www.xbiquge.la/0/745/

2.2 思路

分析目录页源码，找到保存各个章节URL的标签：右击鼠标—>选择检查（N）或者按F12，网页的源码就出来了。要找到目录的URL，将鼠标放在其中一章目录上右击鼠标，源码就会跳到对应的内容那里。可见各章节的URL存放在属性id=’'list"的div标签内，只需找到对应属性的div，再将其内包含的所有a标签找出，就是找齐所有章节的URL了。
分析章节页内容：在内容（正文）上右击鼠标—>检查，跳到源码对应的内容。发现内容被存放在属性id="content"的div标签上，所以需要找到相应的div标签，再输出内容。
总体思路：在目录页获取各个章节的URL—>通过各个章节的URL遍历各个章节的内容—>写入文本文件（txt）里面

2.3 实现

2.3.1 获取各个章节URL

    def __get_Link_chapter(self):
        '''在目录页获得各个章节的url.

        解析目录页,通过属性找到存放各个章节url的div标签,
        获取各个章节的url并且返回

        '''
        # 当请求发生异常：连接或者超时错误，等待1S再尝试
        for try_counter in range(10):
            try:
                req_lp = requests.get(self.__url_lp, timeout=10)
                break
            except ConnectionError:
                print('尝试获取目录页ConnectionError:%d' % (try_counter+1))
            except TimeoutError:
                print('尝试获取目录页TimeoutError:%d' % (try_counter+1))
            except:
                print('尝试获取目录页OtherError:%d' % (try_counter+1))
            time.sleep(1)

        if try_counter >= 9:
            print('获取目录页失败')
            return
        else:
            try:
                req_lp.encoding = req_lp.apparent_encoding
                # 建立BeautifulSoup对象，指定解析器lxml
                bs_lp = BeautifulSoup(req_lp.text, 'lxml')
                # 找到所有对应属性的div标签
                div_list = bs_lp.find_all('div', attrs=self.__attrs_div_lp)
                # 找到所有的a标签
                link_chapter = []
                for div in div_list:
                    link_chapter += div.find_all('a')
                return link_chapter
            except TypeError:
                print('目录页解析异常：TypeError')
                return
            except:
                print('目录页解析异常：OtherError')
                return

2.3.2 获取一章内容

    def __get_content_chapter(self, link):
        '''获取章节内容.

        :param link:在目录页解析后得到的a标签
                    内含章节名和url

        '''
        name_chapter = link.string
        url_chapter = self.__url_ws + link['href']  # 拼接得到章节页url
        # 在链接和读取过程中，出现异常的处理方式
        # 这里出现异常的话循环10次，等待1S重新读取
        for try_counter in range(10):
            try:
                # 超时设置为10S
                req_ct = requests.get(url_chapter, timeout=10)
                break
            except ConnectionError:
                print('尝试获取章节链接：ConnectionError%d' % (try_counter+1))
            except TimeoutError:
                print('尝试获取章节链接：TimeoutError%d' % (try_counter+1))
            except:
                print('尝试获取章节链接：OtherError%d' % (try_counter+1))
            time.sleep(1)

        if try_counter >= 9:
            print('获取链接失败:'+name_chapter)
            return name_chapter+'\n\n'
        else:
            try:
                req_ct.encoding = self.__encode
                # 建立BeautifulSoup对象
                bs_ct = BeautifulSoup(
                    req_ct.text, 'lxml')
                # 将找到的div内容转换成文本格式，
                # 并且将里面的&nbsp（不间断空格）替换成空格
                # 将br标签替换成换行符
                content = bs_ct.find(
                    'div', attrs=self.__attrs_div_ct)
                content = str(content).replace('<br/>','\n').replace('\xa0',' ')
                content = BeautifulSoup(content,'lxml').get_text()
                return name_chapter + '\n\n' + content + '\n\n'
            except TypeError:
                print('章节页解析异常：TypeError '+name_chapter)
                return name_chapter+'\n\n'
            except:
                print('章节页解析异常：OtherError '+name_chapter)
                return name_chapter+'\n\n'

2.3.3 写入内容

    def write(self, path_save):
        '''写下载的文件到指定路径.

        :param path_save:指定的保存路径

        '''
        # 在指定的文件夹路路径之下新建与书名同名的文本文件
        path_save = path_save + '\\' + self.__name + '.txt'
        # 获取各个章节的URL
        link_chapter = self.__get_Link_chapter()
        if link_chapter is None:
            pass
        else:
            # 打开文件
            with open(path_save, 'w+', encoding=self.__encode) as file:
                for chapter, link in enumerate(link_chapter):
                    # 获取章节内容
                    content_chapter = self.__get_content_chapter(link)
                    file.write(content_chapter)
                    sys.stdout.write('下载进度：%.1f%%' % float(
                        chapter/len(link_chapter)*100)+'\r')
        print('<<'+self.__name+'>>下载完成')

2.3.4 完整代码

from bs4 import BeautifulSoup
import requests
import time
import sys



class fiction():

    def __init__(self, name, url_ws, url_lp, encode, attrs_div_lp={
    
    }, attrs_div_ct={
    
    }):
        self.__name = name  # 名字
        self.__url_ws = url_ws  # 网站url
        self.__url_lp = url_lp  # 链接（目录）页的url
        self.__attrs_div_lp = attrs_div_lp  # 链接（目录页）存放各个章节链接的div标签属性
        self.__attrs_div_ct = attrs_div_ct  # 章节页存放内容的div标签属性
        self.__encode = encode  # 指定编码格式

    def Update(self, name, url_ws, url_lp, encode, attrs_div_lp={
    
    }, attrs_div_ct={
    
    }):
        '''重置参数

        必须同时重置所有参数，否则可能出现错误

        '''
        self.__name = name  # 名字
        self.__url_ws = url_ws  # 网站url
        self.__url_lp = url_lp  # 链接（目录）页的url
        self.__attrs_div_lp = attrs_div_lp  # 链接（目录页）存放各个章节链接的div标签属性
        self.__attrs_div_ct = attrs_div_ct  # 章节页存放内容的div标签属性
        self.__encode = encode

    def __get_Link_chapter(self):
        '''在目录页获得各个章节的url.

        解析目录页,通过属性找到存放各个章节url的div标签,
        获取各个章节的url并且返回

        '''
        # 当请求发生异常：连接或者超时错误，等待1S再尝试
        for try_counter in range(10):
            try:
                req_lp = requests.get(self.__url_lp, timeout=10)
                break
            except ConnectionError:
                print('尝试获取目录页ConnectionError:%d' % (try_counter+1))
            except TimeoutError:
                print('尝试获取目录页TimeoutError:%d' % (try_counter+1))
            except:
                print('尝试获取目录页OtherError:%d' % (try_counter+1))
            time.sleep(1)

        if try_counter >= 9:
            print('获取目录页失败')
            return
        else:
            try:
                req_lp.encoding = req_lp.apparent_encoding
                # 建立BeautifulSoup对象，指定解析器lxml
                bs_lp = BeautifulSoup(req_lp.text, 'lxml')
                # 找到所有对应属性的div标签
                div_list = bs_lp.find_all('div', attrs=self.__attrs_div_lp)
                # 找到所有的a标签
                link_chapter = []
                for div in div_list:
                    link_chapter += div.find_all('a')
                return link_chapter
            except TypeError:
                print('目录页解析异常：TypeError')
                return
            except:
                print('目录页解析异常：OtherError')
                return

    def __get_content_chapter(self, link):
        '''获取章节内容.

        :param link:在目录页解析后得到的a标签
                    内含章节名和url

        '''
        name_chapter = link.string
        url_chapter = self.__url_ws + link['href']  # 拼接得到章节页url
        # 在链接和读取过程中，出现异常的处理方式
        # 这里出现异常的话循环10次，等待1S重新读取
        for try_counter in range(10):
            try:
                # 超时设置为10S
                req_ct = requests.get(url_chapter, timeout=10)
                break
            except ConnectionError:
                print('尝试获取章节链接：ConnectionError%d' % (try_counter+1))
            except TimeoutError:
                print('尝试获取章节链接：TimeoutError%d' % (try_counter+1))
            except:
                print('尝试获取章节链接：OtherError%d' % (try_counter+1))
            time.sleep(1)

        if try_counter >= 9:
            print('获取链接失败:'+name_chapter)
            return name_chapter+'\n\n'
        else:
            try:
                req_ct.encoding = self.__encode
                # 建立BeautifulSoup对象
                bs_ct = BeautifulSoup(
                    req_ct.text, 'lxml')
                # 将找到的div内容转换成文本格式，
                # 并且将里面的&nbsp（不间断空格）替换成空格
                # 将br标签换成换行符
                content = bs_ct.find(
                    'div', attrs=self.__attrs_div_ct)
                content = str(content).replace('<br/>','\n').replace('\xa0',' ')
                content = BeautifulSoup(content,'lxml').get_text()
                return name_chapter + '\n\n' + content + '\n\n'
            except TypeError:
                print('章节页解析异常：TypeError '+name_chapter)
                return name_chapter+'\n\n'
            except:
                print('章节页解析异常：OtherError '+name_chapter)
                return name_chapter+'\n\n'

    def write(self, path_save):
        '''写下载的文件到指定路径.

        :param path_save:指定的保存路径

        '''
        # 在指定的文件夹路路径之下新建与书名同名的文本文件
        path_save = path_save + '\\' + self.__name + '.txt'
        # 获取各个章节的URL
        link_chapter = self.__get_Link_chapter()
        if link_chapter is None:
            pass
        else:
            # 打开文件
            with open(path_save, 'w+', encoding=self.__encode) as file:
                for chapter, link in enumerate(link_chapter):
                    # 获取章节内容
                    content_chapter = self.__get_content_chapter(link)
                    file.write(content_chapter)
                    sys.stdout.write('下载进度：%.1f%%' % float(
                        chapter/len(link_chapter)*100)+'\r')
        print('<<'+self.__name+'>>下载完成')


if __name__ == '__main__':
    start = time.time()
    f = fiction(name='雪中悍刀行',
                url_ws='http://www.xbiquge.la',
                url_lp='http://www.xbiquge.la/0/745/',
                attrs_div_lp={
    
    'id': 'list'},
                attrs_div_ct={
    
    'id': 'content'},
                encode='utf-8')
    f.write(r'C:\Users\HP\Desktop\pytxt')
    stop = time.time()
    print('用时：%ds' % (stop-start))

3. 小结

3.1 html基础知识

html基础知识：菜鸟教程——HTML教程

3.2 Requests库方法

get():获取服务器响应的内容。注意：最好设置超时时间，否者如果服务器无响应则一直会发送请求，程序就会一直卡在那个地方，而且不会报异常或者错误。
关于编码问题：最好是指定编码方式，根据Requests猜测的编码可能不准，后面写入文本的时候可能会发生异常。具体的分析可以参考知乎

html在源码head部分的charset就指定了编码，有时候说明的编码和实际使用的编码不一致，此时使用Response.apparent_encoding指定编码。

 req_lp.encoding = req_lp.apparent_encoding

在这里插入图片描述
3. Requests库更多更详细可以参考官方文档：快速上手、高级用法、开发接口

3.3 BeauifulSoup库

建立BeauifulSoup对象：

bs_lp = BeautifulSoup(req_lp.text, 'lxml')

第一个参数时需要解析的HTML文档，第二个参数时指定的文档解析器
在这里插入图片描述

2. find_all()方法：寻找当前tag标签下符合过滤条件的所有标签，返回一个bs4.element.ResultSet类型，其实可以像列表形式使用。

3. 编码：使用BeautifulSoup之后，无论原来的HTML文档是gbk编码还是utf-8编码亦或是其他编码，全都会转成Unicode编码，可能是因为Unicode编码兼容所有的语言吧。

3.4 文件写入

Python文件操作：菜鸟教程——Python3 File(文件) 方法

3.5 各个章节URL

目录页的各个章节的URL是不完整的，需拼接上网站的URL才算是完整的URL。

url_chapter = self.__url_ws + link['href']  # 拼接得到章节页url

4. 参考

第一次修改：将br标签换成换行符

我的爬虫入门作（一）

目录