python爬取小说并存储为txt文件

2024-06-03 10:36
文章标签 python 存储 txt 小说 爬取

本文主要是介绍python爬取小说并存储为txt文件,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

声明:本篇所有内容仅供学习和参考之用,禁止用于商业用途。任何人或组织不得将本仓库的内容用于非法用途或侵犯他人合法权益。本篇博客所涉及的爬虫技术仅用于学习和研究,不得用于对其他平台进行大规模爬虫或其他非法行为。对于因使用本篇内容而引起的任何法律责任,作者不承担任何责任。使用本篇的内容即表示您同意本免责声明的所有条款和条件。

调教kimi,写出来如下的代码,测试通过。具体网站请仔细看代码注释。
效果入下:
在这里插入图片描述

#!/usr/bin/env python
# -*- coding:utf-8 -*-
###
# File: /Users/simonliu/Documents/book/novel.py
# Project: /Users/simonliu/Documents/book
# Created Date: 2024-05-29 22:50:33
# Author: Simon Liu
# -----
# Last Modified: 2024-05-30 10:16:39
# Modified By: Simon Liu
# -----
# Copyright (c) 2024 SimonLiu Inc.
# 
# May the force be with you.
# -----
# HISTORY:
# Date      	By	Comments
# ----------	---	----------------------------------------------------------
###
import requests
from bs4 import BeautifulSoup
import re
import os# 自定义请求头
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"
}def get_book_title(chapter_list_url):response = requests.get(chapter_list_url, headers=headers)soup = BeautifulSoup(response.text, 'html.parser')# 从<meta property="og:title" content="......"/>标签中提取书名meta_tag = soup.find('meta', property="og:title")if meta_tag and "content" in meta_tag.attrs:return meta_tag['content']return "Unknown Book Title"def get_chapter_content(chapter_url):response = requests.get(chapter_url, headers=headers)soup = BeautifulSoup(response.text, 'html.parser')# 从<div id="content">标签中提取正文content_div = soup.find('div', id="content")if content_div:# 获取正文文本,并删除以“笔趣阁 www.52bqg.info”开头的那一行内容chapter_text = content_div.get_text(separator='\n')chapter_text = re.sub(r'^笔趣阁 www\.52bqg\.info.*\n', '', chapter_text, flags=re.M)return chapter_textelse:return "正文内容未找到"def get_chapter_links(chapter_list_url):response = requests.get(chapter_list_url, headers=headers)soup = BeautifulSoup(response.text, 'html.parser')chapter_links = soup.find_all('a', href=True)chapters = []chapter_pattern = re.compile(r'第(\d+)章')for link in chapter_links:link_text = link.text.strip()match = chapter_pattern.search(link_text)if match:chapter_number = int(match.group(1))if chapter_number >= 1:  # 确保是第1章或之后的章节chapters.append((link_text, link['href']))first_chapter_index = next((i for i, (title, _) in enumerate(chapters) if '第1章' in title), None)if first_chapter_index is not None:chapters = chapters[first_chapter_index:]return chaptersdef save_chapters_to_file(chapters, book_title):filename = book_title + '.txt'with open(filename, 'w', encoding='utf-8') as file:for title, chapter_relative_url in chapters:chapter_url = chapter_list_url.rstrip('/') + '/' + chapter_relative_url.strip()chapter_text = get_chapter_content(chapter_url)# 打印章节信息到控制台print(f'章节标题: {title}')print(f'章节URL: {chapter_url}')# 计算中文汉字的字数chinese_chars = re.findall(r'[\u4e00-\u9fff]+', chapter_text)total_chars = sum(len(re.sub(r'[\n\t ]', '', line)) for line in chinese_chars)print(f'章节正文字数: {total_chars}\n')# 写入章节标题和正文到文件file.write(title + '\n')file.write(chapter_text)file.write('\n')  # 添加空行以分隔章节# 打印txt文件的名称和大小filesize = os.path.getsize(filename)print(f'文件已保存: {filename}')print(f'文件大小: {filesize} 字节')def main():global chapter_list_url# 用户输入小说的章节列表页面URLchapter_list_url = input("请输入小说的章节列表页面URL: ")# 获取并打印书名book_title = get_book_title(chapter_list_url)print(f'书名: {book_title}')# 获取章节链接chapters = get_chapter_links(chapter_list_url)# 保存章节到文件save_chapters_to_file(chapters, book_title)if __name__ == "__main__":main()

这篇关于python爬取小说并存储为txt文件的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1026745

相关文章

SpringBoot3.X 整合 MinIO 存储原生方案

《SpringBoot3.X整合MinIO存储原生方案》本文详细介绍了SpringBoot3.X整合MinIO的原生方案,从环境搭建到核心功能实现,涵盖了文件上传、下载、删除等常用操作,并补充了... 目录SpringBoot3.X整合MinIO存储原生方案:从环境搭建到实战开发一、前言:为什么选择MinI

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核