このブログ記事では、侵害た場合、私に通知し、私が削除されてください、参照を読み取るために、ユーザーのみにこれを公開し、私のアマチュアのレコードを使用しています。
この記事では、任意の盗作や他の記事なしで、純粋な野生であり、他から学びます。元に密着！！

序文

こんにちは。ここでは一連の記事を放棄するエントリからPythonの爬虫類です。I SunriseCai。

この記事では、南パインおじさんのクローラのダウンロードの使用説明墓ノートフィクションの全集を。

墓は全集住所ノート：http://www.daomubiji.com/

1.記事のアイデア

以下のように墓のノートは、小説のサイトを見て：

ホーム（1ページ）
セクションページ（2ページ）
テキストページ（3ページ）

これは、ダウンセットでいくつかの写真、上に見ることができるロシアの人形！！！

アクセスホームページ（ページ）取得するために2つのページを
アクセスセクションのページ（2ページ）取得するために身体のページを（3ページ）
アクセステキストページ（3ページ）、エキスのテキストデータ。
保存したテキストデータ。

ここに画像を挿入説明
そして、これらのページを要求する方法を見てみましょう。

2.リクエスト+ページ解析

トップのノウハウにより、墓は、新規サイトのホームページがあるノート：http://www.daomubiji.com/

2.1アクセスHOME（1ページ）

浏览器打开 盗墓笔记 的首页，点击F12，进入开发者模式。看看页面结构，发现了二级页面的链接。perfect ！！！那接下来就是 请求网页 以及 解析网页（提取数据）了。
ここに画像を挿入説明

代码实现访问首页获取 二级页面 链接
这里使用前面文章介绍过的requests请求网页及XPath模块去解析网页

import requests
from lxml import etree

url = 'http://www.daomubiji.com'

def get_overview():
	# 访问盗墓笔记首页
    res = requests.get(url)
    # 如果访问状态码为200（即成功）就继续
    if res.status_code == 200:
    	# 构造XPath解析对象
        parse_html = etree.HTML(res.text)
        link = parse_html.xpath('//*[@id="menu-item-1404"]/ul/li/a/@href')	# 二级页面链接
        name = parse_html.xpath('//*[@id="menu-item-1404"]/ul/li/a/text()')	# 二级页面名称
        return link, name
    else:
        print('your code is fail')

link,name = get_overview()
print(link, name)

# ['http://www.daomubiji.com/dao-mu-bi-ji-1', 'http://www.daomubiji.com/dao-mu-bi-ji-2',
 'http://www.daomubiji.com/dao-mu-bi-ji-3', 'http://www.daomubiji.com/dao-mu-bi-ji-4',
 'http://www.daomubiji.com/dao-mu-bi-ji-5', 'http://www.daomubiji.com/dao-mu-bi-ji-6',
 'http://www.daomubiji.com/dao-mu-bi-ji-7', 'http://www.daomubiji.com/dao-mu-bi-ji-8',
 'http://www.daomubiji.com/dao-mu-bi-ji-2015']
# ['盗墓笔记1：七星鲁王', '盗墓笔记2：秦岭神树', '盗墓笔记3：云顶天宫', '盗墓笔记4：蛇沼鬼城',
 '盗墓笔记5：迷海归巢', '盗墓笔记6：阴山古楼', '盗墓笔记7：邛笼石影', '盗墓笔记8：大结局',
 '盗墓笔记2015年更新']

这里已经获取到了二级页面的链接，接下来就是去访问 章节页面（二级页面） 获取 **正文页面（三级页面）**了。

2.2 访问章节页面（二级页面）

看到二级页面链接的章节目录，发现了 正文页面（三级页面），这正是我们想要的，下面用代码去实现访问 章节页面（二级页面） 获取 正文页面（三级页面）。
ここに画像を挿入説明

def get_catalogs(url):
    """
    :param url: 传入二级页面的链接
    :return: 返回所有章节目录于标题
    """
    res = requests.get(url=url)
    if res.status_code == 200:
        parse_html = etree.HTML(res.text)
        link = parse_html.xpath('/html/body/section/div[2]/div/article/a/@href')	# 正文链接
        title = parse_html.xpath('/html/body/section/div[2]/div/article/a/text()')	# 正文标题
        return link, title
    else:
        print('your code is fail')

这里获取到正文（三级页面）的链接和标题后，接下来就是请求正文了。

2.3 访问正文页面（三级页面），提取 + 保存正文

通过下图可以发现，正文的内容都藏在article标签下面，那接下来尝试去请求该页面。
ここに画像を挿入説明

正文提取代码示例：

def get_content(url,title):
    """
    :param url: 传入正文链接
    :return: 返回正文内容
    """
    res = requests.get(url=url)
    if res.status_code == 200:
        parse_html = etree.HTML(res.text)
        content = parse_html.xpath("/html/body/section/div[1]/div/article/p/text()") # 正文内容
        return title, content
    else:
        print('your code is fail')

get_content(url)

正文保存代码示例：

def save_content(content, name):
    """
    :param content: 传入正文内容
    :param name:    传入标题
    :return: 
    """
    with open('%s.txt' % name, 'a', newline='') as f:
        for data in content:
            f.write(data+'/n')	# 加一个换行，段落间需要换行
        f.close()

3. 完整代码

这里针对上边的代码做了整合和部分修改
代码直接拷贝即可运行

# -*- coding: utf-8 -*-
# @Time    : 2020/1/25 20:20
# @Author  : SunriseCai
# @File    : DaoMBJSpider.py
# @Software: PyCharm


"""盗墓笔记爬虫程序"""


import os
import requests
from lxml import etree


class DaomubijiSpider(object):
    def __init__(self):
        self.url_homePage = 'http://www.daomubiji.com'
        self.headers = {'User-Agent': 'Mozilla/5.0'}
        self.content_titles = None
        self.content_links = None

    def get_overview(self):
        """
        :return:  访问首页，获取二级页面的标题的链接
        """
        res = requests.get(self.url_homePage, headers=self.headers)
        if res.status_code == 200:
            parse_html = etree.HTML(res.text)
            links = parse_html.xpath('//*[@id="menu-item-1404"]/ul/li/a/@href')
            titles = parse_html.xpath('//*[@id="menu-item-1404"]/ul/li/a/text()')
            for link, title in zip(links, titles):
                self.get_catalogs(title, link)
                self.get_content()
        else:
            print('your code is fail')

    def get_catalogs(self, title, url):
        """
        :param title: 传入二级页面标题
        :param url:   传入二级页面链接
        :return:    将解析度到的章节目录标题和链接保存到self
        """
        if not os.path.exists(title):
            os.makedirs(title)
        res = requests.get(url=url, headers=self.headers)
        if res.status_code == 200:
            parse_html = etree.HTML(res.text)
            self.content_links = parse_html.xpath('/html/body/section/div[2]/div/article/a/@href')
            self.content_titles = [parse_html.xpath('/html/body/section/div[2]/div/article/a/text()'), title]
        else:
            print('your code is fail')

    def get_content(self):
        """
        :return:  提取正文页面的正文
        """
        folder = self.content_titles[1]
        for link, title in zip(self.content_links, self.content_titles[0]):
        	time.sleep(2)   # 休眠2秒，不能给对方服务器造成太大压力
            res = requests.get(url=link, headers=self.headers)
            if res.status_code == 200:
                parse_html = etree.HTML(res.text)
                content = parse_html.xpath("/html/body/section/div[1]/div/article/p/text()")
                self.save_content(folder, title, content)
            else:
                print('your code is fail')

    def save_content(self, folder, title, content):
        """
        :param folder: 传入文件夹
        :param title:  传入标题
        :param content: 传入正文内容
        :return: 
        """
        with open('%s/%s.txt' % (folder, title), 'a', newline='') as f:
            for data in content:
                f.write(data+'\n')
            f.close()

    def main(self):
        self.get_overview()


if __name__ == '__main__':
    spider = DaomubijiSpider()
    spider.main()