本人喜欢在网上看小说，一直使用的是小说下载阅读器，可以自动从网上下载想看的小说到本地，比较方便。最近在学习Python的爬虫，受此启发，突然就想到写一个爬取小说内容的脚本玩玩。于是，通过在逐浪上面分析源代码，找出结构特点之后，写了一个可以爬取逐浪上小说内容的脚本。
具体实现功能如下：输入小说目录页的url之后，脚本会自动分析目录页，提取小说的章节名和章节链接地址。然后再从章节链接地址逐个提取章节内容。现阶段只是将小说从第一章开始，每次提取一章内容，回车之后提取下一章内容。其他网站的结果可能有不同，需要做一定修改。在逐浪测试过正常。
分享此代码，一是做个记录，方便自己以后回顾。二么也想抛砖引玉，希望各路大神不吝赐教。
下面是我用来测试的页面：http://book.zhulang.com/263736/
效果如下：
实现的源代码如下，请各位指教：
#-*-coding:utf8-*-
#!/usr/bin/python
# Python: 2.7.8
# Platform: Windows
# Program: Get Novels From Internet
# Author: wucl
# Description: Get Novels
# Version: 1.0
# History: 2015.5.27 完成目录和url提取
# 2015.5.28 完成目录中正则提取第*章，提取出章节链接并下载。在逐浪测试下载无误。
from bs4 import BeautifulSoup
import urllib2,re
def get_menu(url):
"""Get chapter name and its url"""
user_agent = "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:39.0) Gecko/20100101 Firefox/39.0"
headers = {‘User-Agent‘:user_agent}
req = urllib2.Request(url,headers = headers)
page = urllib2.urlopen(req).read()
soup = BeautifulSoup(page)
novel = soup.find_all(‘title‘)[0].text.split(‘_‘)[0] # 提取小说名
menu = []
all_text = soup.find_all(‘a‘,target="_blank") # 提取记载有小说章节名和链接地址的模块
regex=re.compile(ur‘\u7b2c.+\u7ae0‘) # 中文正则匹配第..章，去除不必要的链接
for title in all_text:
if re.findall(regex,title.text):
name = title.text
x = [name,title[‘href‘]]
menu.append(x) # 把记载有小说章节名和链接地址的列表插入列表中
return menu,novel
def get_chapter(name,url):
"""Get every chapter in menu"""
html=urllib2.urlopen(url).read()
soup=BeautifulSoup(html)
content=soup.find_all(‘p‘) # 提取小说正文
return content[0].text
if __name__=="__main__":
url=raw_input("""Input the main page‘s url of the novel in ZhuLang\n Then Press Enter to Continue\n""")
if url:
menu,title=get_menu(url)
print title,str(len(menu))+‘\n Press Enter To Continue \n‘ # 输出获取到的小说名和章节数
for i in menu:
chapter=get_chapter(i[0],i[1])
raw_input()
print ‘\n‘+i[0]+‘\n‘
print chapter
print ‘\n‘本文出自 “载酒仗剑江湖行” 博客，请务必保留此出处http://wucl202000.blog.51cto.com/4687508/1655858
原文地址：http://wucl202000.blog.51cto.com/4687508/1655858
