共计 2736 个字符,预计需要花费 7 分钟才能阅读完成。
前言
用户有需求,需要将笔趣阁的小说便捷的保存为文档到本地,幽络源站长初步了解笔趣阁,发现有反爬措施,小说内容为 JS 动态生成的,Python 的 requests 库与 requests_html 已无法满足此需求,因此使用类似 selenium 但非 selenium 的无头浏览器爬虫针对笔趣阁实现小说爬取。
教程步骤
1. 下载安装 chromium
2. 明确 chromium 默认安装路径
3. 编写代码
4. 明白爬取参数与注意事项
5. 开始爬取
6. 查看结果
步骤 1. 下载安装 chromium
下载方式一:官网下载 -> Chromiun 下载链接
下载方式二:夸克网盘下载保存 -> chromium 下载器
下载后,直接双击安装器完成安装即可,如图
步骤 2. 明确 chromium 默认安装路径
安装后,需要明白默认安装的位置,因为代码中会用到,我的电脑用户名为 AW,因此被安装在了如下路径,如图
C:UsersAWAppDataLocalChromiumApplicationchrome.exe
步骤 3. 编写代码
这段代码中用到的库主要为 pyppteer、python-docx,这两个库需额外下载
最终代码如下
import asyncio | |
import os | |
from docx import Document | |
from pyppeteer import launch | |
# 禁用自动下载 Chromium | |
os.environ["PYPPETEER_SKIP_CHROMIUM_DOWNLOAD"] = "true" | |
async def main(): | |
# word 名称 | |
wordName = "宿命之环 1~3 章.docx" | |
# 笔趣阁域名 | |
netName = "https://www.22biqu.com" | |
# 指定起始页的链接 | |
firstPagePath = "/biqu5251/5259122.html" | |
# 指定结束页的链接,不要指定的太远,因为字数太多,打开 word 很卡的 | |
endPagePath= "/biqu5251/5259124.html" | |
# 要爬取的链接 | |
catchUrl = netName + firstPagePath | |
# 页数,可参考 | |
pageCount=0 | |
# 结束标志 | |
endFlag=False | |
while True: | |
try: | |
#尝试打开一个 word | |
doc = Document(wordName) | |
except: | |
doc = Document() | |
# 启动浏览器,指定手动下载的 Chromium 路径 | |
browser = await launch(executablePath=r'C:UsersAWAppDataLocalChromiumApplicationchrome.exe', headless=True) | |
# 创建新页面 | |
page = await browser.newPage() | |
# 打开目标页面 | |
await page.goto(catchUrl) | |
# 使用 querySelector 获取 h1 标签且 class 为 title 的元素 | |
element = await page.querySelector('h1.title') | |
if element: | |
# 获取该元素的文本内容 | |
text = await page.evaluate('(element) => element.innerText', element) | |
doc.add_heading(text, level=1) | |
else: | |
print('Element not found.') | |
# 使用 querySelector 获取 id="content" 元素 | |
content_element = await page.querySelector('#content') | |
if content_element: | |
# 获取 content 下所有 p 标签的内容 | |
paragraphs = await content_element.querySelectorAll('p') | |
for paragraph in paragraphs: | |
# 获取每个 p 标签的文本内容并输出 | |
text = await page.evaluate('(p) => p.innerText', paragraph) | |
doc.add_paragraph(text) | |
else: | |
print('Content element not found.') | |
# 使用 querySelector 获取 id="next_url" 的元素 | |
element = await page.querySelector('#next_url') | |
next_url="" | |
if element: | |
# 获取该元素的 href 属性 | |
next_url = await page.evaluate('(element) => element.getAttribute("href")', element) | |
# 拼接下一页爬取的链接 | |
catchUrl=netName+next_url | |
else: | |
print('Element not found.') | |
# 关闭浏览器 | |
await browser.close() | |
# 保存 word | |
doc.save(wordName) | |
if endFlag: | |
break | |
pageCount+=1 | |
print("已完成页码"+str(pageCount)) | |
if next_url==endPagePath: | |
print("匹配到结束链接:"+str(endPagePath)) | |
print("即将结束") | |
endFlag=True | |
# 运行异步主函数 | |
asyncio.run(main()) |
步骤 4. 明白爬取参数与注意事项
在使用上面的代码时,你需要明白函数中的一些参数需要你替换
wordName:也就是爬取后 word 保存的名称,我建议爬什么就取什么名,且加上多少章到多少章
netName:爬取网址的域名,这里固定不用改
firstPathPath:这是起始页的路径,比如我要从《宿命之环》的第三开始爬起,则这里写为 /biqu5251/5259124.html,看如下图你应该就明白了
endPagePath:和指定起始页一样,要在哪页结束,就把哪页的路径放进去,但是这里有个注意点
注意点:指定的结束页和起始页不要隔的太远了,因为 word 中字数太多,打开都卡,我测试了下,我爬取了 200 章到一个 word 中,结果是能打开,但是打开时比较卡,因此我建议分为几章节来爬取,不要妄图一次爬取所有章节,理论是可以的,但是你的电脑处理器肯定受不了
步骤 5. 开始爬取
我这里测试爬取笔趣阁 -《宿命之环的 1~5 章》,因此我设置参数为如下
参数设置好后,直接运行代码即可,如图保存为了 word
步骤 6. 查看结果
打开我们爬取的 1~5 章的 word,如图,我这里做了将章节名作为标题,打开章节导航还可以点击标题直接定位到对应章节
结语
以上是幽络源的利用无头浏览器爬虫爬取笔趣阁小说的教程,对于此篇教程的内容,后续的优化我建议是做成一个 PyQT 程序,这样会更加方便。