讲真的, 手机看漫画翻页总是会手残碰到页面上的广告好吧...
要是能只需要指定一本漫画的主页URL就能给我返回整本漫画就好了...
还是使用Python来实现, 取个名字...就叫 ComicReaper(漫画收割者) 吧!
首先我们对我们接下来要做的事情做一个具体流程分析
我们要获取当前漫画所有章节的标题与URL(标题用于后期存储时文件夹的命名, URL用于跳转到当前章节的开始页面)并且存储在列表中
将会使用到Python的两个库, re 与 urllib
1 import re # 导入正则表达式 2 import urllib.request # 导入 urllib.request
对在浏览器中按下 [F12] 键打开开发者工具来对漫画的章节页面进行分析
我们可以看到页面中有很多章节, 也就是章节跳转链接, 每个链接的<a>标签中正好具有我们需要的标题和URL, 分别是<a>标签的 title 属性与 href 属性, 我们将使用字典来存储它
先不慌着前进, 考虑到整个HTML中有非常多的链接, 那么也就意味着页面中具有大量的<a>标签, 如果我们只是单纯地从HTML中过滤出<a>标签, 这样我们会得到大量我们并不需要的<a>标签, 这是不明智的, 我们必须只过滤出章节跳转链接的<a>标签, 仔细观察, 发现章节跳转链接的<a>标签们都具有一个特点, 那就是它们都具有 class 属性并且属性值为 "fixed-a-es" , 这就找到了一个可以定位章节<a>标签的依据, 把这一点加入到我们的正则表达式的匹配规则中去
现在就可以定义一个正则表达式匹配字符串了(什么是正则表达式?)(在线正则表达式练习) :
pat = r'<a class="fixed-a-es" href="(.*?)" title="(.*?)"'
为什么要这么写 :
- 在Python中, 在字符串常量的开头加一个 'r' 表示本字符串中的 '\' 字符将不会用来作转义字符使用, 保留了它原本的含义, 也就是反斜杠字符
- 在正则表达式中, '.' 字符用于匹配任何字符(当匹配时具有 're.S' 标志时此话成立, 否则只能匹配任意但除了 '\n' 以外的字符)
- 在正则表达式中, '*' 字符用于描述它左边的匹配字符的出现次数为0次或若干次
- 在正则表达式中, '(.*?)' 的组合用来表示一个贪婪匹配(并且会被捕捉到), 至于什么是贪婪匹配, 可以看这位博主的这篇文章
使用这个正则表达式, 就可以匹配到 title 属性与 href 属性的属性值中的双引号里面的内容了
具体实现是 chapterIndexReaper 函数, 主要用来"收割"当前漫画的所有章节并存储为字典列表
代码如下 :
1 #获取一本漫画的所有章节的目录 2 def chapterIndexReaper(url_host, header): 3 # 定义一个临时字典, 用于临时存储一个章节的标题与url 4 dic_temp = { 5 'Title' : '', 6 'Url' : '' 7 } 8 # 章节字典列表, 存储当前漫画的所有章节字典 9 set_dic = [] 10 # 构建Request对象 11 req = urllib.request.Request(url = url_host, headers = header) 12 # 读取所请求的req并用utf-8编码来进行解码, 所得到的的字符串赋值给html 13 html = urllib.request.urlopen(req).read().decode('utf-8') 14 # 爬取漫画章节标题与url的正则表达式 15 pat = r'<a class="fixed-a-es" href="(.*?)" title="(.*?)"' 16 # 使用pat在html中进行进行匹配(re.S参数是为了让"."除了能够匹配本身规定的字符, 17 # 另外也能匹配"\n"), 返回一个结果列表res 18 res = re.findall(pat, html, re.S) 19 for i in res: 20 dic_temp['Title'] = i[1] 21 dic_temp['Url'] = url_head + i[0] 22 # 向当前的章节字典列表的后面追加新的章节, 注意, 此处要使用浅拷贝 23 # (因为dic_temp是一个临时变量, 需要创建它的副本并追加到set_dic中去, 24 # 否则当dic_temp刷新时set_dic中的元素会相应发生改变) 25 set_dic.append(dic_temp.copy()) 26 return set_dic