目录

前言

开始

分析（x0）

分析（x1）

分析（x2） 

分析（x3）

分析（x4）

完整的代码

我有话说

---

前言

 大家好我叫善念࿰c;这是我的第二篇技术博文（第一篇讲述的是自己的经历）࿰c;连续三天更新了࿰c;每天花两小时写下一个实战案例࿰c;我也是乐在其中࿰c;谢谢大家对我的支持。

今天咱们要做的是利用Python爬取整个网站上的所有小说内容࿰c;其实在我心里面࿰c;采集什么内容根本无关紧要࿰c;最重要的是大家能学习到我的分析思路࿰c;授人以鱼不如授人以渔。

开始

既然是要采集整站数据࿰c;那么我们进入目标网站࿰c;点击全部作品。

分析（x0）

第一步右键一下查看网站源代码࿰c;看里面是否有咱们需要的书本源头文件地址（当然是看源头文件地址࿰c;因为一本书的内容这么大࿰c;然后一页有这么多本书࿰c;肯定不可能内容全部在源代码中）。

 可以看到我在元素中可以找到书的名字和介绍࿰c;然后关键的是一个跳转的网址࿰c;这个网址很关键࿰c;因为咱们点击这个链接后他会跳到单本小说中。

而单本小说里面势必会有章节分类࿰c;而我们要做的肯定是需要把每本小说的章节名字也采集下来。

最终的目的就是࿰c;每本小说为一个文件夹࿰c;以书的名字命名࿰c;然后文件夹内保存所有章节࿰c;每一个章节为一个txt文档࿰c;没一个章节名与txt文件名对应。

分析（x1）

反转࿰c;切记不要以element作为源代码去考虑问题！！element可能是浏览器执行了一些JavaScript后所展现的源码࿰c;与服务器传给浏览器的源代码是有所不同的。

所以咱们还是需要在源代码中找一找是否有跳转链接和书名。

好吧࿰c;源代码中也是有的。不过你们不能大意࿰c;一定要查看源代码中是否有࿰c;element代表不了源代码。

那么先采集一下第一页的书名和跳转链接咯

# 抓取第一页的所有书籍名字࿰c;书籍入口
# 到了书籍入口后࿰c;抓取章节名字࿰c;章节链接（文字内容）
# 保存
import requests
from lxml import etree
import os
url='https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
   if not os.path.exists(bookName):
   # if os.path.exists(bookName) == false:
        os.mkdir(bookName)  # 创建文件夹

 这里对应着咱们的思路࿰c;每采集到一个书名就给它单独创建一个文件夹。

完全没问题࿰c;到这里咱们已经完成第一步了。

分析（x2） 

难么接下来就是去模拟请求咱们采集到的书本目录的跳转链接࿰c;然后同样的方法去采集到章节名与章节内容的跳转链接了。

@H_772_111@

同样的你们自己查看下源代码࿰c;数据也是在里面的。

那就接着写代码咯

import requests
from lxml import etree
import os
url = 'https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
    if not os.path.exists(bookName):
    # if os.path.exists(bookName) == false:
        os.mkdir(bookName)  # 创建文件夹
    req2 = requests.get("http:" + tzurl).text
    html1 = etree.HTML(req2)
    zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
    zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
    for zjurl, zjname in zip(zjurls, zjnames):
        print(zjname+'n'+zjurl)

效果图：

分析（x3）

知道这里为什么没有去把章节名字命名的txt文档保存在文件夹内嘛？

因为咱们还没有获取到章节的内容呀࿰c;是不是需要先把章节内容写到章节的txt里面࿰c;然后再保存在文件夹内？

当然这句解释是为了照顾新手。

那么接下来采集章节内容࿰c;方法什么的不讲了࿰c; 一摸一样的࿰c;章节内容同样在源代码中如上上图所示。

 每一个标签只保存一行内容࿰c;那么就需要用到把采集到的所有内容都组合起来࿰c;并用换行符隔开࿰c;尽量保持文章格式。

代码走起：

import requests
from lxml import etree
import os
url = 'https://www.qidian.com/all'
req = requests.get(url).text
html = etree.HTML(req)
booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

for bookname, tzurl in zip(booknames, tzurls):
    if not os.path.exists(bookName):
    # if os.path.exists(bookName) == false:
        os.mkdir(bookName)  # 创建文件夹
    req2 = requests.get("http:" + tzurl).text
    html1 = etree.HTML(req2)
    zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
    zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
    for zjurl, zjname in zip(zjurls, zjnames):
        print(zjname+'n'+zjurl)
        req3 = requests.get('http:' + zjurl).text
        html2 = etree.HTML(req3)
        nrs = html2.xpath('//div[@class="read-content j_ReadContent"]/p/text()') # 分散式内容
        nr = 'n'.join(nrs)
        file_name = bookname + "\" + zjname + ".txt"
        print("正在抓取文章：" + file_name)
        with open(file_name, 'a', encoding="utf-8") as f:
            f.write(nr)

效果图：

这里要说明一下࿰c;咱们还只是抓取了第一页的数据。那么如何抓取整站的数据呢？

分析（x4）

一般稍微有经验的都知道一点࿰c;就是当我们翻页的时候࿰c;网站的url会发生变化࿰c;页码一般就是在url上面。

 构建个for循环把页码数变为一个变量即可࿰c;无需多言࿰c;直接上最终的完整代码࿰c;代码仅供参考࿰c;你们最终可以自己去修改效果。

完整的代码

import sys
import requests
from lxml import etree
import os
for i in range(sys.maxsizE):
    url = f'https://www.qidian.com/all/page{i}/'
    req = requests.get(url).text
    html = etree.HTML(req)
    booknames = html.xpath('//div[@class="book-mid-info"]/h4/a/text()')
    tzurls = html.xpath('//div[@class="book-mid-info"]/h4/a/@href')

    for bookname, tzurl in zip(booknames, tzurls):
        if not os.path.exists(bookName):
        # if os.path.exists(bookName) == false:
            os.mkdir(bookName)  # 创建文件夹
        req2 = requests.get("http:" + tzurl).text
        html1 = etree.HTML(req2)
        zjurls = html1.xpath('//ul[@class="cf"]/li/a/@href')
        zjnames = html1.xpath('//ul[@class="cf"]/li/a/text()')
        for zjurl, zjname in zip(zjurls, zjnames):
            print(zjname+'n'+zjurl)
            req3 = requests.get('http:' + zjurl).text
            html2 = etree.HTML(req3)
            nrs = html2.xpath('//div[@class="read-content j_ReadContent"]/p/text()') # 分散式内容
            nr = 'n'.join(nrs)
            file_name = bookname + "\" + zjname + ".txt"
            print("正在抓取文章：" + file_name)
            with open(file_name, 'a', encoding="utf-8") as f:
                f.write(nr)

我有话说

——女朋友就是私有变量࿰c;只有我这个类才能调用（纪念分手的第二周

emmm本来以前是录制过视频教程的࿰c;但是由于从上家公司离职后丢失了。在这里跟大伙说声抱歉。

但是文章的话是现写的࿰c;每篇文章我都会说的很细致࿰c;所以花费的时间比较久࿰c;一般都是两个小时以上࿰c;每篇文章达到五千字左右。

原创不易࿰c;再次谢谢大家的支持。

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

在我的Q。࿰c;Q技术交流群里可以自助拿走࿰c;如果在学习或工作中遇到了问题࿰c;群里会有一些大神帮忙解答࿰c;有时你闷头想一天࿰c;不如别人的三言两语就醍醐灌顶࿰c;群࿰c;。号928946953。