程序逻辑:按给出的第一章节URL,抓HTML,然后通过正则表达式,取出小说章节的 标题、正文、下章节的URL, 然后跳转到下一章节,不断循环处理。 取出的正文写入文本文件。 同时记录每次取过的URL,如果网络异常了,重启程序,可以从文件中取URL继续上次的抓取任务。
正则,对应如下图:
代码:
#!/usr/bin/python
# -*- coding: gbk -*-
# by gnolux 20190526
# email: [email protected]
from urllib import request
import re
import os
import socket
#socket.setdefaulttimeout(60)
#第一章节的URL
url = 'https://www.23us.la/html/203/203086/1130014.html'
#URL前辍,用来拼接出下章节的绝对URL用
url_prex = 'https://www.23us.la/html/203/203086/'
#取章节标题的正则表达式
title_match_str = r'<h1>(.*?)</h1>'
#取章节正文的正则表达式
content_match_str = r'<div id="content">(.*?)</div>'
#取下一章节URL的正则表达式(相对URL)
next_page_match_str = r'<div class="link">.*?返回列表</a>→<a href="(.*?)">下一章</a>'
#保存的文件名
save_file = 'd:/test/tclys.txt'
#如果已经运行过,则记录了最后一次运行的下一面地址,从文件中取url
last_url_file = '%s.url.txt'%save_file
if os.path.isfile(last_url_file):
with open(last_url_file, 'r') as f:
url = f.read()
headers = {'User-Agent':'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'}
#print(url)
for page in range(0,99999999):
req=request.Request(url=url,headers=headers)
url = ''
#如果timeout尝试重新提交,最多尝试8次
for t in range(0,8):
try:
response = request.urlopen(req,timeout=4)
html = response.read()
#print(html)
html = html.decode("utf-8")
title,content= '',''
s=re.findall(title_match_str,html,re.S)
if len(s) == 1:
title=s[0]
s=re.findall(content_match_str,html,re.S)
if len(s) == 1:
content = s[0]
content=content.replace('<br/>','').replace(' ','').replace('<br />','')
#print(title,content)
with open(save_file, 'a',encoding='utf-8') as f:
f.write("%s\n%s\n"%(title,content))
s=re.findall(next_page_match_str,html,re.S)
if len(s) == 1:
url = '%s%s'%(url_prex,s[0])
else:
print(s)
#记录下一章地址到文件,出现网络异常时,可以续传
with open(last_url_file, 'w') as f:
f.write(url)
#print('next url:%s'%url)
print(title)
#print(content)
break;#成功则跳出重试。
except Exception as e: #抛出超时异常
print('第%d次尝试连接'%t, str(e))
if url == '':
break;