前言
偶然一天把某项目文档传到手机上,用手机自带的阅读器方便随时拿出来查阅。看着我那好久没点开的阅读器,再看着书架上摆着几本不知道是多久之前导入的小说。
闭上眼,我仿佛看到那时候的自己。侧躺着缩在被窝里,亮度调到最低,看的津津有味。
睁开眼,一声短叹,心中五味杂陈,时间像箭一样飞逝而去,过去静止不动,未来姗姗来迟。
正好最近又重温了下python,准备做一个简单的获取小说txt文件的程序。
一、前期准备
1.安装第三方库
win + r 输入cmd
命令行输入
pip install requests
pip install pyquery
嫌麻烦pycharm直接搜索包安装就行纯属爱好,仅供学习
二、主要步骤
1.请求网页
老样子,F12进控制台,输入 document.chartset 查看网页编码
代码如下:
1 # 请求网页 获取网页数据
2 def GetHTMLText(url: str) -> str:
3 res = requests.get(url=url, headers=GetHeader(), proxies=GetProxy())
4 res.encoding = "GBK"
5 html: str = res.text
6 return html
2.获取章节目录
测试地址:—
Ctrl + Shift + C ,选择章节目录任意一章
可以发现章节目录class=”zjlist”下的标签内含有每一章节的信息,该章节的url和章节名
代码如下:
1 # 获取章节目录
2 def GetPageTree(doc: pQ) -> pQ:
3 pageTree: pQ = doc('.zjlist dd a')
4 return pageTree
3.输入转码
GBK转码:aTool在线工具
在搜索框内输入名称,searchkey=,后就是该名称对应的GBK编码
将链接后的编码输进进行解码,得到你所输入的文字内容
代码如下:
1 # 输入转码 获取搜索到的书籍链接
2 def GetSearchUrl(Novel_Name: str) -> str:
3 StrToGbk: bytes = Novel_Name.encode("gbk")
4 GbkToStr: str = str(StrToGbk)
5 Url_input = GbkToStr[2:-1].replace("\\x", "%").upper()
6 Url = "---" + "searchtype=articlename&searchkey="
7 return Url + Url_input
4.抓取模式
搜索到小说之后跳转到搜索到的网页,可能会出现两种情况
一种是一次搜索到结果
还有一种是搜索到多种结果,需要对这个网页再做一次解析筛选
判断网页容器的id=”info”,是否有这个节点
代码如下:
1 # 抓取模式
2 def GetModel(doc: pQ) -> bool:
3 if doc('#info'):
4 return True # 一次搜索到,不需要筛选
5 else:
6 return False
三、代码展示
1 import os
2 import requests
3 import time
4 import re
5 from random import choice
6 from pyquery import PyQuery as pQ
7
8
9 # 获取请求头
10 def GetHeader() -> dict:
11 header = [ # 请求头
12 {
13 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.67 Safari/537.36"
14 },
15 {
16 "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"
17 },
18 {
19 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"
20 },
21 {
22 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36"
23 },
24 {
25 "User-Agent": "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
26 },
27 {
28 "User-Agent": "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
29 },
30 {
31 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36"
32 },
33 {
34 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36"
35 },
36 {
37 "User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)"
38 },
39 {
40 "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50"
41 }
42 ]
43 return choice(header)
44
45
46 # 获取代理
47 def GetProxy() -> dict:
48 proxies = [ # 代理
49 {
50 "Https": "60.170.204.30:8060"
51 },
52 {
53 "Https": "103.37.141.69:80"
54 },
55 {
56 "Https": "183.236.232.160:8080"
57 },
58 {
59 "Https": "202.55.5.209:8090"
60 },
61 {
62 "Https": "202.55.5.209:8090"
63 }
64 ]
65 return choice(proxies)
66
67
68 # 输入转码 获取搜索到的书籍链接
69 def GetSearchUrl(Novel_Name: str) -> str:
70 StrToGbk: bytes = Novel_Name.encode("gbk")
71 GbkToStr: str = str(StrToGbk)
72 Url_input = GbkToStr[2:-1].replace("\\x", "%").upper()
73 Url = "---" + "modules/article/search.php?searchtype=articlename&searchkey="
74 return Url + Url_input
75
76
77 # 请求网页 获取网页数据
78 def GetHTMLText(url: str) -> str:
79 res = requests.get(url=url, headers=GetHeader(), proxies=GetProxy())
80 # Console --- document.charset ---'GBK'
81 res.encoding = "GBK"
82 html: str = res.text
83 return html
84
85
86 # 获取网页解析
87 def GetParse(url: str) -> pQ:
88 text = GetHTMLText(url)
89 doc: pQ = pQ(text)
90 return doc
91
92
93 # 获取小说名
94 def GetNovelName(doc: pQ) -> str:
95 con = doc('#info')
96 novel_name: str = con('h1').text().split(' ')[0]
97 return novel_name
98
99
100 # 获取章节目录
101 def GetPageTree(doc: pQ) -> pQ:
102 pageTree: pQ = doc('.zjlist dd a')
103 return pageTree
104
105
106 # 提取章节链接跳转后的页面内容 id="content"
107 def GetNovel(url) -> str:
108 doc = GetParse(url)
109 con = doc('#content')
110 novel: str = con.text()
111 return novel
112
113
114 # 获取总页数
115 def GetPageNums(doc: pQ):
116 pageNums = doc('.form-control option')
117 return pageNums
118
119
120 # 获取novel主页链接
121 def GetHomeUrl(doc: pQ) -> str:
122 PageNums = GetPageNums(doc)
123 for page in PageNums.items():
124 if page.text() == "第1页":
125 return page.attr('value')
126
127
128 # 抓取模式
129 def GetModel(doc: pQ) -> bool:
130 if doc('#info'):
131 return True # 一次搜索到,不需要筛选
132 else:
133 return False
134
135
136 # 搜索到结果开始抓取
137 # Args_url---novel主页链接
138 # ms---间隔时间,单位:ms
139 # url_ 主网站
140 def GetDate_1(Args_url: str, doc: pQ, ms: int, url_: str = "---") -> None:
141 NovelName = GetNovelName(doc)
142 PageNums = GetPageNums(doc)
143 file_path = os.getcwd() + "\\" + NovelName # 文件存储路径
144 setDir(file_path) # 判断路径是否存在,不存在创建,存在删除
145 Seconds: float = ms / 1000.0
146 for page in PageNums.items():
147 url = url_ + page.attr('value') # 每一页的链接
148 currentPage = page.text() # 当前页
149 doc: pQ = GetParse(url)
150 page_tree = GetPageTree(doc)
151 for page_Current in page_tree.items():
152 page_name: str = page_Current.text() # 章节名
153 page_link = page_Current.attr('href') # 章节链接
154 novel = page_name + "\n\n" + GetNovel(Args_url + page_link) + "\n\n" # 文章内容
155 page_Name = clean_file_name(page_name) # 处理后的章节名
156 download_path = file_path + "\\" + NovelName + ".txt" # 文件下载路径
157 with open(download_path, "a", encoding="utf-8") as f:
158 f.write(novel)
159 print("正在下载 {}...".format(page_Name))
160 time.sleep(Seconds)
161 f.close()
162 print("{}下载成功\n".format(page_Name))
163 print("{}下载完成\n".format(currentPage))
164 print("{}下载完成!".format(NovelName))
165
166
167 # 搜索到重复结果,需要进行筛选.匹配成功返回首页的网址
168 def GetUrl_2(doc: pQ, SearchName: str) -> str:
169 con = doc('.odd a').items()
170 for Title in con:
171 if Title.text() == SearchName:
172 url: str = Title.attr('href')
173 return url
174
175
176 # 文件处理
177 def setDir(filepath):
178 if not os.path.exists(filepath): # 如果文件夹不存在就创建
179 os.mkdir(filepath)
180 else:
181 for i in os.listdir(filepath): # os.listdir(filepath)返回一个列表,里面是当前目录下面的所有东西的相对路径
182 file_data = filepath + "\\" + i # 当前文件夹下文件的绝对路径
183 if os.path.isfile(file_data):
184 os.remove(file_data) # 文件存在-删除
185
186
187 # 异常文件名处理
188 def clean_file_name(filename: str):
189 invalid_chars = '[\\\/:*??"<>|]'
190 replace_char = '-'
191 return re.sub(invalid_chars, replace_char, filename)
192
193
194 # 保存文件
195 def SaveFile(url: str, searchName: str):
196 doc = GetParse(url)
197 url_: str = "---" #懂得都懂
198 try:
199 if GetModel(doc):
200 url = url_ + GetHomeUrl(doc)
201 doc = doc
202 else:
203 url = GetUrl_2(doc, searchName)
204 doc = GetParse(url)
205 GetDate_1(Args_url=url, doc=doc, ms=100)
206 except Exception as result:
207 print("{}".format(result))
208 finally:
209 print("请输入有效书名")
210
211
212 # 输入名字搜索
213 def main():
214 SearchName = input("请输入需要下载的书名:")
215 url = GetSearchUrl(SearchName)
216 SaveFile(url, SearchName)
217
218
219 if __name__ == "__main__":
220 main()
View Code
四、运行效果
总结
按名称搜索跟直接拿首页链接原理差不多,只不过多了个筛选的操作
以上就是今天要分享的内容,时间原因还有很多可以优化的地方,后面有时间再改吧……
最后说说自己的一些想法,为什么现在对小说没什么感觉了。
看小说除了让我的鼻梁上戴着的东西越来越厚之外,还让我的作息变得一团糟。我是个管不住自己的人,以前看小说最着迷的时候,除了吃饭睡觉,剩下时间全拿来看小说了。
当然,看小说也并不像我说的那样百害无一利,但是要注意合理安排好自己的时间,劳逸结合。😂
Original: https://www.cnblogs.com/H-J-Jay/p/Python_ByHuMou_05_29.html
Author: 映浮华
Title: Python搜索书名获取整本资源_笔趣阁
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/810344/
转载文章受原作者版权保护。转载请注明原作者出处!