标签：apt over win content open class 网页 wan 技术
网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
环境：Python3.6+Windows
开发工具：你喜欢用哪个就用哪个，你开心就好！
模块：
1 import urllib.request 2 3 import re
主要思路：
1 获取主页源代码
2 获取章节超链接
3 获取章节超链接源码
4 获取小说内容
5 下载,文件操作
1 import urllib.request 2 import re 3 # 1 获取主页源代码 4 # 2 获取章节超链接 5 # 3 获取章节超链接源码 6 # 4 获取小说内容 7 # 5 下载,文件操作 8 9 # 驼峰命名法 10 # 获取小说内容 11 def getNovertContent(): 12 # <http.client.HTTPResponse object at 0x000001DFD017F400> 13 html = urllib.request.urlopen("http://www.quanshuwang.com/book/0/269").read() 14 html = html.decode("gbk") 15 # 不加括号 不匹配 16 # 正则表达式 .*? 匹配所有 17 reg = r‘<li><a href="(.*?)" title=".*?">(.*?)</a></li>‘ 18 # 增加效率的 19 reg = re.compile(reg) 20 urls = re.findall(reg,html) 21 # print(urls) 22 # 列表 23 # [(http://www.quanshuwang.com/book/0/269/78850.html,第一章 山边小村), 24 # (http://www.quanshuwang.com/book/0/269/78854.html,第二章 青牛镇)] 25 for url in urls: 26 # 章节的URL地址 27 novel_url = url[0] 28 # 章节标题 29 novel_title = url[1] 30 31 chapt = urllib.request.urlopen(novel_url).read() 32 chapt_html = chapt.decode("gbk") 33 # r 表示原生字符串 \ \\d r"\d" 34 reg = r‘</script> (.*?)<script type="text/javascript">‘ 35 # S 代表多行匹配 36 reg = re.compile(reg,re.S) 37 chapt_content = re.findall(reg,chapt_html) 38 # print(chapt_content) 39 # 列表["  二愣子睁大着双眼，直直望着茅草和烂泥糊成的<br />"] 40 41 # 第一个参数 要替换的字符串 替换后的字符串 42 chapt_content = chapt_content[0].replace(" ","") 43 # print(chapt_content) 字符串 二愣子睁大着双眼，直直望着茅草和烂泥糊成的<br /> 44 chapt_content = chapt_content.replace("<br />","") 45 46 print("正在保存 %s"%novel_title) 47 # w 读写模式 wb 48 # f = open("{}.txt".format(novel_title),‘w‘) 49 # f.write(chapt_content) 50 51 with open("{}.txt".format(novel_title),‘w‘) as f: 52 f.write(chapt_content) 53 54 # f.close() 55 56 getNovertContent()
标签：apt over win content open class 网页 wan 技术
原文地址：https://www.cnblogs.com/pythonfm/p/9061923.html
