爬取古诗文网的孙子兵法

网址：https://www.gushiwen.org/guwen/sunzi.aspx

访问地址：

进行页面的分析：通过抓包工具进行分析

标题：

章节目录链接：

进行第一部分的代码编写：

# author:ziqingbaojian

# 导入第三方模块
import requests
import re
from lxml import etree
import os

# 使用OS模块创建文件
dirName='./孙子兵法'
if not os.path.exists(dirName):
    os.mkdir(dirName)


url='https://www.gushiwen.org/guwen/sunzi.aspx'
# 构造U-A伪装：
headers={
    'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'
}
# 请求数据
page_text=requests.get(url=url,headers=headers).text
# 使用xpath解析
tree=etree.HTML(page_text)
# 获取图书名称
title=tree.xpath('/html/body/div//h1/text()')[0]
# 成功获取书名，进行章节url的爬取
ex='<span><a href="(.*?)">'
word_url=re.findall(ex,page_text,re.S)
ex2='<span><a href=".*?">(.*?)</a></span>'
chapter_name=re.findall(ex2,page_text,re.S)
# 创建文本，写入图书名称
word_path=dirName+'/szbf2.txt'
with open(word_path,'a',encoding='utf-8')as fp:
    fp.write(title)
    fp.write('\n')
    fp.close()

进行详情页分析：

页面的内容在每一p标签下面，进行数据的额解析与存储：

count=0
for word in word_url:
   word_response= requests.get(url=word,headers=headers).text
   ex='<div class="contson">(.*?)</div>'
   p_list=re.findall(ex,word_response,re.S)
   with open(word_path, 'a', encoding='utf-8')as fp:
       fp.write(chapter_name[count])
       fp.write('\n')
       fp.close()
   print(chapter_name[count],'正在下载！！！')
   count += 1
   for p in p_list:
       ex='<p>(.*?)</p>'
       word_data=re.findall(ex,p,re.S)
       # 法一：无分段；使用join.(list)方法将列表转换成字符串
       # with open(word_path, 'a', encoding='utf-8')as fp:
       #     fp.write(''.join(word_data))
       #     # 使用join.(list)方法将列表转换成字符串
       #     fp.write('\n')
       for word in word_data:
           with open(word_path, 'a', encoding='utf-8')as fp:
               fp.write(word)
               fp.write('\n')

运行成功界面：

 

 

 

 运行成功，感谢观看!