作为一个资深的小说爱好者，国内很多小说网站如出一辙，什么 🖊*阁啊等等，大都是 get 请求返回 html 内容，而且会有标志性的<dl><dd>等标签。
所以大概的原理，就是先 get 请求这个网站，然后对获取的内容进行清洗，写进文本里面，变成一个 txt，导入手机，方便看小说。
之前踩过一个坑，一开始我看了几页小说，大概小说的内容网站是https://www.xxx.com/小说编号/章节编号.html，一开始看前几章，我发现章节编号是连续的，
于是我一开始想的就是记住起始章节编号，然后在循环的时候章节编号自增就行，后面发现草率了，可能看个 100 章之后，章节列表会出现断层现象，这个具体为啥
还真不知道，按理说小说编号固定，可以算是一个数据表，那里面的章节编号不就是一个自增 id 就完了嘛？有懂王可以科普一下！
所以这里要先获取小说的目录列表，并把目录列表洗成一个数组方便我们后期查找！getList.py文件：
# 请求书签地址
def req():
url = "https://www.24kwx.com/book/4/4020/"
strHtml = requests.get(url)
return strHtml.text
# 定义一个章节对象
class Xs(object):
def __init__(self,id,key,name):
self._id = id
self._key = key
self._name = name
@property
def id(self):
self._id
@property
def key(self):
self._key
@property
def name(self):
self._name
def getString(self):
return 'id:%s,name:%s,key:%s' %(self._id,self._name,self._key)
# 转换成书列表
def tranceList():
key = 0
name = ""
xsList = []
idrule = r'/4020/(.+?).html'
keyrule = r'第(.+?)章'
html = req()
html = re.split("</dt>",html)[2]
html = re.split("</dl>",html)[0]
htmlList = re.split("</dd>",html)
for i in htmlList:
i = i.strip()
if(i):
# 获取id
id = re.findall(idrule,i)[0]
lsKeyList = re.findall(keyrule,i)
# 如果有章节
if len(lsKeyList) > 0 :
key = int(lsKeyList[0])
lsname = re.findall(r'章(.+?)</a>',i)
else :
key = key + 1
# 获取名字
# lsname = re.findall(r'.html">(.+?)</a>',i)[0]
# name = re.sub('，',' ', lsname, flags=re.IGNORECASE)
name = re.findall(r'.html">(.+?)</a>',i)[0]
xsobj = Xs(id,key,name)
xsList.append(xsobj.getString())
writeList(xsList)
注意一下我：如果你从别的语言转 py，第一次写object对象可能会比较懵，没错因为他的object是一个class，这里我创建的对象就是{id,key,name}但是你写入 txt 的时候还是要getString，所以后面想想我直接写个{id:xxx,name:xxx,key:xxx}的字符串不就完了，还弄啥class,后面还是想想给兄弟盟留点看点，就留着了
# 写入到文本
def writeList(list):
f = open("xsList.txt",'w',encoding='utf-8')
# 这里不能写list，要先转字符串 TypeError: write() argument must be str, not list
f.write('\n'.join(list))
print('写入成功')
# 大概写完的txt是这样的
id:3798160,name:第1章 孙子，我是你爷爷,key:1
id:3798161,name:第2章 孙子，等等我！,key:2
id:3798162,name:第3章 天上掉下个亲爷爷,key:3
id:3798163,name:第4章 超级大客户,key:4
id:3798164,name:第5章 一张退婚证明,key:5
ok ! Last one
这里已经写好了小说的目录，那我们就要读取小说的内容，同理
# 请求内容地址
def req(id):
url = "https://www.24kwx.com/book/4/4020/"+id+".html"
strHtml = requests.get(url)
return strHtml.text
def getList():
f = open("xsList.txt",'r', encoding='utf-8')
# 这里按行读取,读取完后line是个数组
line = f.readlines()
f.close()
return line
contextRule = r'<div class="content">(.+?)<script>downByJs();</script>'
titleRule = r'<h1>(.+?)</h1>'
def getcontext(objstr):
xsobj = re.split(",",objstr)
id = re.split("id:",xsobj[0])[1]
name = re.split("name:",xsobj[1])[1]
html = req(id)
lstitle = re.findall(titleRule,html)
title = lstitle[0] if len(lstitle) > 0 else name
context = re.split('<div id="content" class="showtxt">',html)[1]
context = re.split('</div>',context)[0]
context = re.sub(' |\r|\n','',context)
textList = re.split('<br />',context)
textList.insert(0,title)
for item in textList :
writeTxt(item)
print('%s--写入成功'%(title))
def writeTxt(txt):
if txt :
f = open("nr.txt",'a',encoding="utf-8")
f.write(txt+'\n')
def getTxt():
# 默认参数配置
startNum = 1261 # 起始章节
endNum = 1300 # 结束章节
# 开始主程序
f = open("nr.txt",'w',encoding='utf-8')
f.write("")
if endNum < startNum:
print('结束条数必须大于开始条数')
return
allList = getList()
needList = allList[startNum-1:endNum]
for item in needList:
getcontext(item)
time.sleep(0.2)
print("全部爬取完成")
本 github 只是作为技术交流以及学术探讨，文中所涉及到的网站均为某度搜索出来的网站，不代表本人任何立场，如有侵权，请提Issues告诉我！