必威体育Betway必威体育官网
当前位置:首页 > IT技术

起点中文网爬虫

时间:2019-08-16 03:42:07来源:IT技术作者:seo实验室小编阅读:61次「手机版」
 

起点中文网

Python3 起点中文网架空历史小说爬虫

尝试爬取起点中文网的全部架空历史小说的一些信息。

信息包括:小说网址、书名、作者、简介、评分、评论数、字数。

首先去到起点的架空历史小说排行的网页:https://www.qidian.com/all?chanId=5&subCateId=22&orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenfield=0&page=1

第一步:解析页面,获取每本书的URL

去到排行的页面后,我们右键检查书名,可以看到这本书的URL。

在这里插入图片描述

我们通过requests.get()方法,获取到网页源码,然后通过正则表达式,将书的每本的id提取出来,再拼凑成URL。

#获取各书的id
import re
import requests
def book_list():
   url = 'https://www.qidian.com/all"//book.qidian.com/info/(.*?)"'
   ren_url = re.compile(ren)
   book_url = ren_url.findall(html)
   return book_url

在这里插入图片描述

book_url就是每本书的id,按照网页的格式拼凑成URL就好。

第二步:获取总页数

在这里插入图片描述

可以发现URL的page=1时为第一页,现在显示的总页数为1016,让我们把这个总页数爬下来!

#获取总页数
def get_page_Count(url):
   html = requests.get(url).text
   pageCount = re.compile(r'data-page="(.*?)"').findall(html)[-1]
   return pageCount

这个pageCount就是总的页数啦,也就是目前表示的1016。

第三步:进入每本书的URL,爬取书的信息

进入每本书的URL之后,我们会看到这样的界面

在这里插入图片描述

其中被红色标注的就是要爬去的信息。

首先我们来获取书的名字。还是老方法了,requests加正则。

#获取书名
import re
import requests
def book_name():
    url = 'https://book.qidian.com/info/1010136878'
    html = requests.get(url).text
    ren = r' <h1>.*?<em>(.*?)</em>'
    ren_name = re.compile(ren)
    name = ren_name.findall(html)
    name = ".".join(name)
    print("书名:"+name)
    return name
book_name()

同理,作者也这么获取。

#获取作者
import re
import requests
def book_authorname():
    url = 'https://book.qidian.com/info/1010136878'
    html = requests.get(url).text
    ren = r"authorName: '(.*?)'"
    ren_autorname = re.compile(ren)
    authorname = ren_autorname.findall(html)
    authorname = ".".join(authorname)
    print("作者:" + authorname)
    return authorname
book_authorname()

然后是书的简介,一样的方法,不过要注意简介里面有很多的标点符号,正则的时候需要注意。

在这里插入图片描述

#获取简介
import re
import requests
def book_summary():
    url = 'https://book.qidian.com/info/1010136878'
    html = requests.get(url).text
    ren = r'<p class="book-intro">\s+<p>\s+(.*?)\s+</p>'           #[\u4e00-\u9fa5]
    ren_symmary = re.compile(ren)
    summary = ren_symmary.findall(html)
    summary = ".".join(summary)
    summary=re.sub('[^\u4e00-\u9fa51-9,。?!.、:;''"《》()—]','',summary)
    print("简介:"+summary)
    return summary
book_summary()

简单的搞定了,接下来遇到了第一个麻烦,书的评分是js传值的,直接在网页源码中不能看到评分。

不会了,怎么办?看看别人是怎么解决的~

我这里就不细说了,可以参考这位朋友的文章:https://blog.csdn.net/ridicuturing/article/details/81123587

贴我自己的代码

#获取评价
def book_rate(id):
   id = "".join(id)
   url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId='+id+'&pageSize=15'
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r'"rate":(.*?),'
   ren_symmary = re.compile(ren)
   rate = ren_symmary.findall(html)
   rate = ".".join(rate)
   print("评分:"+rate)
   bookrate.APPend(rate)
   return rate

评论数和评价一样

#获取评论数
def book_userCount(id):
   id = "".join(id)
   url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId=' + id + '&pageSize=15'
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r'"userCount":(.*?),'
   ren_symmary = re.compile(ren)
   userCount = ren_symmary.findall(html)
   userCount = ".".join(userCount)
   print("评论数:" + userCount)
   bookuserCount.append(userCount)
   return userCount

解决了一个问题好开心~,然后遇到了更难的问题。。。。。。

起点设置了字体反爬,数字显示为小方框,看不到字数,感觉真是日了狗了。

在这里插入图片描述

又遇到问题不会解决怎么办?!继续看别人怎么解决的!

终于找到了解决方法:

1.方框转换成16进制的unicode编码:https://blog.csdn.net/qq_42336573/article/details/80698580

2.Unicode编码通过字体映射成woff文件中的数字:https://blog.csdn.net/qq_35741999/article/details/82018049

看了这两篇文章以后,知道了原因所在,原来网页上显示的数字用的是电脑没有的字体,所以显示不出来。

在这里插入图片描述

我们需要把表示数字的方框爬下来,然后通过这个woff文件将其转为电脑能识别的数字。

我的代码

#获取woff文件
def get_woff_previous(id):
   id = "".join(id)
   start_url = "https://book.qidian.com/info/" + id
   response = requests.get(start_url).text
   doc = pq(response)
   doc = doc.text()
   a = re.compile(r'(.*"".join(id)
   start_url = "https://book.qidian.com/info/" + id
   response = requests.get(start_url).text
   doc = pq(response)
   doc = doc.text()
   num = re.compile(r'(.*?)万字').findall(doc)[0]
   for i in num:
      numlist.append(ord(i))	#numlist[]是16进制数字,需要小方框一个一个的转换,所以用list表示
   return numlist		

#得到字体
def get_font():
   url = "https://qidian.gtimg.com/qd_anti_spider/" + get_woff_previous(id) + ".woff"
   response = requests.get(url)
   font = TTFont(BytesIO(response.content))
   cmap = font.getBestCmap()
   font.close()
   return cmap

#字体转码
def get_encode(cmap, values):
   word_MAP = {'zero': '0', 'one': '1', 'two': '2', 'three': '3', 'four': '4', 'five': '5', 'six': '6', 'seven': '7',
               'eight': '8', 'nine': '9', 'period': '.'}
   word_count = ''
   for value in values:
      key = cmap[int(value)]
      word_count += WORD_MAP[key]
   return word_count

#获取书的字数
def get_num():
   for i in get_code(id):
      global s,numlist
      s = s + "&#" + str(i) + ";"
   s = re.compile(r'[0-9]+').findall(s)
   cmap = get_font()
   word_count = get_encode(cmap, s)
   booknum.append(word_count)
   print("字数:" + word_count + "万字")
   s = ""		#s是要转变的16进制数
   numlist=[]		

需要的功能都写好了,可以写进数据库啦。

db = pymysql.connect(host='localhost', port=3306, user='root', password='123', db='spider', charset='utf8')
         cursor = db.cursor()
         sql1 = "insert into bookspider(book_url,book_name,book_author,book_summary,book_id,book_rate,book_userCount,book_num) values ('%s','%s','%s','%s','%s','%s','%s','%s')" % (bookurl[0],bookname[0],bookauthor[0],booksummary[0],bookid[0],bookrate[0],bookuserCount[0],booknum[0])
         cursor.execute(sql1)
         db.commit()
         print("存入数据库成功!")

整体代码

from urllib import request
import re
import time
import pymysql
import requests
from pyquery import PyQuery as pq
from fontTools.ttLib import TTFont
from io import BytesIO

#这些list都是存储信息,为了之后导入数据库
bookurl=[]
bookname=[]
bookauthor=[]
booksummary=[]
bookid=[]
bookrate=[]
bookuserCount=[]
booknum=[]

numlist=[]
s=""
book_url_list=[]

#获取总页数
def get_page_Count(url):
   html = requests.get(url).text
   pageCount = re.compile(r'data-page="(.*?)"').findall(html)[-1]
   return pageCount

#获取书名
def book_name(url):
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r' <h1>.*?<em>(.*?)</em>'
   ren_name = re.compile(ren)
   name = ren_name.findall(html)
   name = ".".join(name)
   print("书名:"+name)
   bookname.append(name)
   return name

#获取作者
def book_authorname(url):
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r"authorName: '(.*?)'"
   ren_autorname = re.compile(ren)
   authorname = ren_autorname.findall(html)
   authorname = ".".join(authorname)
   print("作者:"+authorname)
   bookauthor.append(authorname)
   return authorname

#获取简介
def book_summary(url):
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r'<p class="book-intro">\s+<p>\s+(.*?)\s+</p>'           #[\u4e00-\u9fa5]
   ren_symmary = re.compile(ren)
   summary = ren_symmary.findall(html)
   summary = ".".join(summary)
   summary=re.sub('[^\u4e00-\u9fa51-9,。?!.、:;''"《》()—]','',summary)
   print("简介:"+summary)
   booksummary.append(summary)
   return summary

#获取评价
def book_rate(id):
   id = "".join(id)
   url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId='+id+'&pageSize=15'
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r'"rate":(.*?),'
   ren_symmary = re.compile(ren)
   rate = ren_symmary.findall(html)
   rate = ".".join(rate)
   print("评分:"+rate)
   bookrate.append(rate)
   return rate

#获取评论数
def book_userCount(id):
   id = "".join(id)
   url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId=' + id + '&pageSize=15'
   rsp = request.urlopen(url)
   html = rsp.read()
   html = html.decode()
   ren = r'"userCount":(.*?),'
   ren_symmary = re.compile(ren)
   userCount = ren_symmary.findall(html)
   userCount = ".".join(userCount)
   print("评论数:" + userCount)
   bookuserCount.append(userCount)
   return userCount

#获取每页的书的id
def book_list(i):
   url = "https://www.qidian.com/all?chanId=5&subCateId=22&orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page=" + str(i)
   # 打开相应url并把页面作为返回
   rsp = request.urlopen(url)
   # 按住Ctrl键不送,同时点击urlopen,可以查看文档,有函数的具体参数和使用方法
   # 把返回结果读取出来
   html = rsp.read()
   # 解码
   html = html.decode()
   print(html)
   ren = r' <h4><a href="//book.qidian.com/info/(.*?)"'
   ren_url = re.compile(ren)
   book_url = ren_url.findall(html)
   return book_url

#获取woff文件
def get_woff_previous(id):
   id = "".join(id)
   start_url = "https://book.qidian.com/info/" + id
   response = requests.get(start_url).text
   doc = pq(response)
   doc = doc.text()
   a = re.compile(r'(.*?).woff').findall(doc)[0]
   font = re.compile(r'\w+').findall(a)[4]
   return font

#得到字体的十六进制码
def get_code(id):
   id = "".join(id)
   start_url = "https://book.qidian.com/info/" + id
   response = requests.get(start_url).text
   doc = pq(response)
   doc = doc.text()
   num = re.compile(r'(.*?)万字').findall(doc)[0]
   for i in num:
      numlist.append(ord(i))
   return numlist

#得到字体
def get_font():
   url = "https://qidian.gtimg.com/qd_anti_spider/" + get_woff_previous(id) + ".woff"
   response = requests.get(url)
   font = TTFont(BytesIO(response.content))
   cmap = font.getBestCmap()
   font.close()
   return cmap

#字体转码
def get_encode(cmap, values):
   WORD_MAP = {'zero': '0', 'one': '1', 'two': '2', 'three': '3', 'four': '4', 'five': '5', 'six': '6', 'seven': '7',
               'eight': '8', 'nine': '9', 'period': '.'}
   word_count = ''
   for value in values:
      key = cmap[int(value)]
      word_count += WORD_MAP[key]
   return word_count

#获取书的字数
def get_num():
   for i in get_code(id):
      global s,numlist
      s = s + "&#" + str(i) + ";"
   s = re.compile(r'[0-9]+').findall(s)
   cmap = get_font()
   word_count = get_encode(cmap, s)
   booknum.append(word_count)
   print("字数:" + word_count + "万字")
   s = ""
   numlist=[]


# 使用urllib.request请求一个网页的内容,并把内容打印出来
if __name__ == '__main__':
   # 定义需要爬的页面
   page_url = 'https://www.qidian.com/all?chanId=5&subCateId=22'
   page_Count = int(get_page_Count(page_url))
   for i in range(1,page_Count):
      for j in book_list(i):
         url = 'https://book.qidian.com/info/'+j
         print(url)     #打印网址
         bookurl.append(url)
         book_name(url)
         book_authorname(url)
         book_summary(url)
         id = re.compile(r'[0-9]+').findall(url)
         print("编号:" + "".join(id))
         bookid.append("".join(id))
         book_rate(id)
         book_userCount(id)
         get_num()

         #数据库
         db = pymysql.connect(host='localhost', port=3306, user='root', password='123', db='spider', charset='utf8')
         cursor = db.cursor()
         sql1 = "insert into bookspider(book_url,book_name,book_author,book_summary,book_id,book_rate,book_userCount,book_num) values ('%s','%s','%s','%s','%s','%s','%s','%s')" % (bookurl[0],bookname[0],bookauthor[0],booksummary[0],bookid[0],bookrate[0],bookuserCount[0],booknum[0])
         cursor.execute(sql1)
         db.commit()
         print("存入数据库成功!")
         print()     #空格
         bookurl = []
         bookname = []
         bookauthor = []
         booksummary = []
         bookid = []
         bookrate = []
         bookuserCount = []
         booknum = []
         #time.sleep(10)		#时间间隔,最好加上

在这里插入图片描述

最后,这次终于是自己独立的彻彻底底的完成一次爬虫,前后一共花费了两天的时间,唉,实在是太差了。。。不过这次的收获还是很大的!特别是对于反爬这方面,了解很多知识。其次是requests库,这次还是第一次用,之前都是用urllib的,所以代码里有些是requests有些是uillib,感觉requests还是方便多了。还有字体映射那部分,其实还是不怎么懂怎么写出来的,不过还好会用。这个简单的爬虫还是有很多需要改进的地方,try-catch还没加,实时功能也没写,也不是分布式,还有很长的路要走呀~

如果有人看到这篇文章发现有不理解的地方,问我吧,虽然我也不一定能解答出哈哈哈哈~

对于不会解决的问题,网上多查查,肯定有很多人在自己之前就踩过坑了。肯定能找到解决的方法的,别放弃!

相关阅读

python爬虫新浪微博评论、评论人信息

笔者此次由于需要做数据分析,所以写了一份儿爬虫,爬取新浪微博的微博评论和评论人信息以及转发情况和转发后的点赞情况。 爬取新浪

爬虫出现Forbidden by robots.txt

先说结论,关闭scrapy自带的ROBOTSTXT_OBEY功能,在setting找到这个变量,设置为False即可解决。 使用scrapy爬取淘宝页面的时候,在提交h

通过session实现通用爬虫--爬取到开心网账户的首页界

目录 1.点开开心网的登录界面 2.获取login_url 以及 账号和密码 第一种方法 :F12 找到form表单 第二种方法:Network 3.开始写代码

百度指数 爬虫 更新版

current time: 2019.3.21 正常 今天跑了一下数据,发现百度随机返回缺失的数据~~,这就有点坑了 对此 我们就只能更换获取数据的接

爬虫技术的门道,这篇文章总结的最全

Web是一个开放的平台,这也奠定了Web从90年代初诞生直至今日将近30年来蓬勃的发展。然而,正所谓成也萧何败也萧何,开放的特型、搜索引

分享到:

栏目导航

推荐阅读

热门阅读