爬取千千小说 -- xpath

今天以其中一本小说为例，讲一下下载小说的主体部分，了解正常的爬取步骤，用到的是request和xpath。

爬取数据三步走：访问url --》爬取数据 --》保存数据

一、访问千千小说网址: https://www.qqxsnew.com/

二、随便选一部小说，打开章节目录界面（比方说魔道祖师）:https://www.qqxsnew.com/18/18991/

三、开始编写代码。

a. 利用request访问网页，是get请求还是post请求要看网页上面写的是啥

右击检查，选择network，随便找个页面，看下request Method方法是什么。

url = "https://www.qqxsnew.com/18/18991/"
html = requests.get(url, headers=headers).text

 

 

b. 得到网页的html页面(html页面 == 在网页鼠标右击“查看网页源代码”)，获取章节名字和章节链接。

　　章节名字和章节链接获取需要用到XPath --》在网页鼠标右击检查 --》定位到任意章节（如第一章）--》copy --》copy XPath --》 //*[@id="list"]/dl/dd[13]/a

　　

　　如果安装过XPath插件的话，可以将上面复制的XPath在插件里面查询，可以看到只查询到了一个

　　

　　我们的目的是获取到所有章节的名字和链接，分析上面XPath的字串，发现dd[13]这个地方是定位，每个dd都是一个章节，所以我们模糊定位看看

　　

　　咦，可以看出来dd里面的内容都出来了，但是前面12章的内容不是我们需要的，我们要的是从第一章开始，所以需要把它们过滤掉，position是一个定位的函数，大于12是说从第13位开始，也就是第一章

　　

　　这数据正好是我们想要提取的文字，所以我们已经得到了文字提取的XPath字串：//*[@id="list"]/dl/dd[position()>12]/a

　　文字和链接都在a标签里面，链接在href属性里面，所以链接的XPath字串：//*[@id="list"]/dl/dd[position()>12]/a/@href

　　

　　好了，前面是在分析XPath字串是怎么得到的，如果自己对XPath语法熟的话，也可以自己写提取字串，然后用插件去验证，或者直接用代码验证都是可以的。现在我们把它放到代码中去

   # 获取a标签对象
    chapter_titles_obj = datas.xpath('//*[@id="list"]/dl/dd[position()>12]/a')
    for chapter_title_obj in chapter_titles_obj:
        # 获取a标签文本
        chapter_title_text = chapter_title_obj.xpath('./text()')[0]
        # 获取a标签的链接
        chapter_url = chapter_title_obj.xpath('./@href')[0]

 

打印出来看看结果

 

c. 每个章节的链接都拿到了，接下来就是请求了，这个不多说，和上面请求的方法一样，XPath获取方法也相同。

 

d. 存储获取到的数据

        for content_chapter_text in content_chapter:
            print(content_chapter_text)
            with open("魔道祖师/" + chapter_title_text + ".txt", 'a', encoding='utf-8') as f:
                f.write(content_chapter_text)

 

 

这样，一篇小说从访问到下载的过程就结束了。

 

完整代码

#!/usr/bin/env python
# _*_ coding: UTF-8 _*_
"""=================================================
@Project -> File    : six-dialog_design -> qianqian.py
@IDE     : PyCharm
@Author  : zihan
@Date    : 2020/5/25 14:50
@Desc    :
================================================="""
import requests
from lxml import etree


headers = {
    'User-Agent': ""
}


def main():
    url = "https://www.qqxsnew.com/18/18991/"
    html = requests.get(url, headers=headers).text
    datas = etree.HTML(html)
    chapter_titles_obj = datas.xpath('//*[@id="list"]/dl/dd[position()>12]/a')
    for chapter_title_obj in chapter_titles_obj:
        chapter_title_text = chapter_title_obj.xpath('./text()')[0]
        chapter_url = chapter_title_obj.xpath('./@href')[0]
        chapter_url = "https://www.qqxsnew.com" + chapter_url

        # 对每一章的链接发送请求
        html_chapter = requests.get(chapter_url, headers=headers).text
        datas_chapter = etree.HTML(html_chapter)
        content_chapter = datas_chapter.xpath('//*[@id="content"]/text()')
        print(chapter_title_text, "开始下载")
        for content_chapter_text in content_chapter:
            print(content_chapter_text)
            with open("魔道祖师/" + chapter_title_text + ".txt", 'a', encoding='utf-8') as f:
                f.write(content_chapter_text)


if __name__ == '__main__':
    main()

 

OK。如果想要批量下载，或者选择下载等，只是改变url而已，了解主体方法后，这些都不难。