练手：requests库爬取小说，Xpath基本提取语法

Xpath基本提取语法：

# Chrome辅助插件XPath Helper
# Firefox辅助插件Try XPath

# XPath语法：
#  '//'获取整个页面当中的元素，然后写标签名，然后写谓词
# '/'代表只获取直接子节点，'//'代表根节点下面
# //div[@id] 选择所有拥有id属性的div节点

# //span[@class] 选择所有拥有class属性的span节点
# //div[2] 按顺序查找第2个div节点，下标从1开始
# //div[contains(@id,'top')] 如果该属性包含了多个属性值，可以模糊查找id属性中包含top的div节点
# //span[@class='unknown-icon'] | //span[@class='show-city'] '|'可以选择多个路径
# .//a/@href  可以取到a标签下的href属性（在//之前加一个点，代表是在当前元素下获取）
# //div[@id="content"]/text()  text()函数可以取到id属性为"content"的div标签下面的所有文本内容
# //span//text() 第一个‘//’表示根节点下面，第二个‘//’表示获取非直接子节点

 

requests库爬取笔趣阁免费小说：

思路：

1.爬取小说的所有章节目录；

2.爬取小说每一章节的文本内容；

3.爬取小说所有章节的文本内容；

4.将爬取的小说内容写入到本地文件（这一步也可以放到第2步中同时进行）

import requests
from lxml import etree

BaseUrl = 'https://www.biqugetv.com'
HEADWES = {
    'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) '
         'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36'
}

# 获取所有小说章节目录，并存放到一个mu_url列表
def get_mu_url(url):
    resp = requests.get(url,headers = HEADWES)
    text = resp.content.decode('utf-8',errors='ignore')
    #print(text)
    html = etree.HTML(text)
    dd = html.xpath('//div[@id="list"]//dd')
    mu_url = []
    for d in dd:
        mu_urls = d.xpath('.//a/@href')
        for a in mu_urls:
            mu_url.append(BaseUrl+a)  # 由于爬取的目录链接是不完整的，可以自定义一个基础目录，将其拼接为完整的目录地址
    return mu_url

# 获取一个章节的小说内容，并将其存入一个字符串txt中，然后将这个字符串写入到指定的文件中
def get_txt(mu_url):
    resp = requests.get(mu_url,headers=HEADWES)
    text = resp.content.decode('utf-8',errors='ignore')
    #print(text)
    html = etree.HTML(text)
    content = html.xpath('//div[@id="content"]/text()')
    #print(content)
    txt = ''
    for i in range(len(content)):
        txt = txt+content[i].strip()+'\n'   # strip()去掉首位空格字符，‘\n’换行
        txt = txt.replace('笔趣阁TV手机端https://m.biqugetv.com/','')  # replace()可以替换不需要的字符串
　　# 写入文本，‘a’表示接上写入
    with open('/Users/xx/Desktop/未命名文件夹/美人.txt','a',encoding='utf-8') as f:
        f.write(txt+'\n')

# 获取所有的小说内容
def get_all_txt(url):
    mu_url = get_mu_url(url)
　　# 循环取出目录列表中的章节目录，并将章节目录作为参数传入get_txt()中，得到每一章节的文本内容
    for a in mu_url:
        get_txt(a)

if __name__ == '__main__':
    url = 'https://www.biqugetv.com/45_45193/'  # url是总目录的链接地址
    get_all_txt(url)

 

resp.content和resp.text的区别：

# response.content:这个是直接从网络上面抓取的数据。
# 没有经过任何解码。所以是一个bytes类型。其实在硬盘上和网络上传输的字符串都是bytes类型。
# response.text：这个是str的数据类型，是requests库将response.content进行解码的字符串。
# 解码需要指定一个编码方式，requests会根据自己的猜测来判断编码的方式。
# 所以有时候可能会猜测错误，就会导致解码产生乱码，
# 这时候应该使用'response.content.decode('utf-8')'进行手动解码。

 

使用lxml.etree解析html字符串和html文件的区别：

# 解析html字符串：使用'lxml.etree.HTML'进行解析，示例代码如下
htmlElement = etree.HTML(text)
print(etree.tostring(htmlElement,encoding='utf-8').decode('utf-8'))

'''
解析html文件：使用'lxml.etree.parse'进行解析，这个函数默认使用的是'XML'解析器，所以如果碰到一些不规范的'HTML'代码的时候就会解析出错，
这时候就需要自己创建'HTML'解析器。
'''
parser = etree.HTMLParser(encoding='utf-8')
htmlElement = etree.parse('boke.html',parser=parser)