Tabla de contenido

1. Herramientas
2. Texto
3. Resumen
4. Referencia

1. Herramientas

Entorno de desarrollo: Python3.7 + Visual Studio Code
Navegador: Google Chrome
Instalar la biblioteca de Python: solicitudes, utilizadas para obtener HTML, BeautifulSoup , utilizadas para analizar documentos HTML

2. Texto

2.1 URL

Objetivo: rastrear el sitio web de Xinbi Quge "Fighting Knives in the Snow" de los señores de la Ópera Fenghuo.
Dirección de la página del directorio: http://www.xbiquge.la/0/745/

2.2 Ideas

Analice el código fuente de la página del catálogo y busque la etiqueta que guarda la URL de cada capítulo: haga clic con el botón derecho del ratón -> seleccione marcar (N) o presione F12, y saldrá el código fuente de la página web. Para encontrar la URL del catálogo, coloque el mouse en uno de los catálogos de capítulos y haga clic con el botón derecho, y el código fuente saltará al contenido correspondiente. Se puede ver que la URL de cada capítulo se almacena en la etiqueta div con el atributo id = "list". Solo necesita encontrar el div correspondiente al atributo, y luego encontrar todas las etiquetas a que contiene, que es para encontrar las URL de todos los capítulos.
Analice el contenido de la página del capítulo: haga clic con el botón derecho en el contenido (texto) -> comprobar y vaya al contenido correspondiente al código fuente. Se encuentra que el contenido se almacena en la etiqueta div con el atributo id = "content", por lo que debe encontrar la etiqueta div correspondiente y luego generar el contenido.
Idea general: obtenga la URL de cada capítulo en la página de la tabla de contenido—> recorra el contenido de cada capítulo a través de la URL de cada capítulo—> escriba en un archivo de texto (txt)

2.3 Implementación

2.3.1 Obtenga la URL de cada capítulo

    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 Obtener el contenido de un capítulo

    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 Escribir contenido

    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 Código completo

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. Resumen

3.1 conocimientos básicos de HTML

Conocimientos básicos de html: tutorial para principiantes-tutorial HTML

3.2 Método de biblioteca de solicitudes

get (): Obtiene el contenido de la respuesta del servidor. Nota: Es mejor establecer el período de tiempo de espera; de lo contrario, si el servidor no responde, la solicitud se enviará todo el tiempo y el programa siempre se bloqueará en ese lugar y no se informará ninguna excepción o error.
Respecto al problema de codificación: Es mejor especificar el método de codificación. La codificación adivinada por Requests puede ser inexacta y puede ocurrir una excepción al escribir texto más tarde. Puede hacer referencia a un análisis específico, saber casi el

conjunto de caracteres html en la sección principal para especificar la codificación de origen, la codificación y las inconsistencias reales que a veces se describen, esta vez utilizando la codificación especificada Response.apparent_encoding.

 req_lp.encoding = req_lp.apparent_encoding

Inserte la descripción de la imagen aquí
3. Para obtener más detalles sobre la biblioteca de solicitudes, consulte los documentos oficiales: inicio rápido , uso avanzado , interfaz de desarrollo

3.3 biblioteca BeauifulSoup

Crea un objeto BeauifulSoup:

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

El primer parámetro es el documento HTML que necesita ser analizado, y el segundo parámetro es el analizador de documentos especificado
Inserte la descripción de la imagen aquí

2. Método find_all (): encuentra todas las etiquetas que cumplen con las condiciones de filtro bajo la etiqueta de etiqueta actual y devuelve un bs4.element. Tipo ResultSet , de hecho se puede utilizar como una lista.

3. Codificación: Después de usar BeautifulSoup, ya sea que el documento HTML original tenga codificación gbk, codificación utf-8 u otra codificación, todo se convertirá a codificación Unicode, probablemente porque la codificación Unicode es compatible con todos los idiomas.

3.4 Escritura de archivos

Operación de archivos Python: tutorial novato-Método de archivo Python3 (archivo)

3.5 URL de cada capítulo

La URL de cada capítulo de la página del catálogo está incompleta y la URL del sitio web debe empalmarse para ser una URL completa.

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

4. Referencia

Primera modificación: cambie la etiqueta br a una nueva línea

Mi trabajo de entrada de rastreador (1)