Python3 网络爬虫（二）：下载小说的正确姿势

网路爬虫，一般爬取的东西无非也就四种：文字、图片、音乐、视频。

这是明面上，能想到的东西，除了这些还有一些危险的操作，容易被请喝茶的，就不讨论了。

咱们循序渐进，先谈谈如何下载文字内容。

PS：文中出现的所有代码，均可在我的 Github 上下载：

https://github.com/Jack-Cherish/python-spider/tree/master/2020

说到下载文字内容，第一个想到的就是下载小说了。

在曾经的以《一念永恒》小说为例进行讲解的 CSDN 文章中，有网友留言道：

那么，今天我就再安利一本小说《诡秘之主》。

起点中文网，它的月票基本是月月第一。

这篇文章其实是在教大家如何白嫖，不过有能力支持正版的朋友，还是可以去起点中文网，支持一下作者的，毕竟创作不易。

1、背景介绍

小说网站，“新笔趣阁”：

https://www.xsbiquge.com/

盗版小说网站有很多，曾经爬过“笔趣看”，这回咱换一家，爬“新笔趣阁”，雨露均沾嘛！

“新笔趣阁”只支持在线浏览，不支持小说打包下载。本次实战就教大家如何“优雅”的下载一篇名为《诡秘之主》的网络小说。

2、爬虫步骤

要想把大象装冰箱，总共分几步？

要想爬取数据，总共分几步？

爬虫其实很简单，可以大致分为三个步骤：

• 发起请求：我们需要先明确如何发起 HTTP 请求，获取到数据。

• 解析数据：获取到的数据乱七八糟的，我们需要提取出我们想要的数据。

• 保存数据：将我们想要的数据，保存下载。

• 
  

发起请求，我们就用 requests 就行，上篇文章已经介绍过。

解析数据工具有很多，比如xpath、Beautiful Soup、正则表达式等。本文就用一个简单的经典小工具，Beautiful Soup来解析数据。

保存数据，就是常规的文本保存。

3、Beautiful Soup

简单来说，Beautiful Soup 是 Python 的一个第三方库，主要帮助我们解析网页数据。

在使用这个工具前，我们需要先安装，在 cmd 中，使用 pip 或 easy_install 安装即可。

pip install beautifulsoup4# 或者easy_install beautifulsoup4

安装好后，我们还需要安装 lxml，这是解析 HTML 需要用到的依赖：

pip install lxml

Beautiful Soup 的使用方法也很简单，可以看下我在 CSDN 的讲解或者官方教程学习，详细的使用方法：

我的 Beautiful Soup 讲解：

https://blog.csdn.net/c406495762/article/details/71158264

官方中文教程：

https://beautifulsoup.readthedocs.io/zh_CN/latest/

我们先看下《诡秘之主》小说的第一章内容。

URL：https://www.xsbiquge.com/15_15338/8549128.html

我们先用已经学到的知识获取 HTML 信息试一试，编写代码如下：

import requests
if __name__ == '__main__':    target = 'https://www.xsbiquge.com/15_15338/8549128.html'    req = requests.get(url = target)    req.encoding = 'utf-8'    print(req.text)

这也就是爬虫的第一步“发起请求”，得到的结果如下：

可以看到，我们很轻松地获取了 HTML 信息，里面有我们想要的小说正文内容，但是也包含了一些其他内容，我们并不关心 div 、br 这些 HTML 标签。

如何把正文内容从这些众多的 HTML 标签中提取出来呢？

这就需要爬虫的第二部“解析数据”，也就是使用 Beautiful Soup 进行解析。

现在，我们使用上篇文章讲解的审查元素方法，查看一下我们的目标页面，你会看到如下内容：

不难发现，文章的所有内容都放在了一个名为div的“东西下面”，这个"东西"就是 HTML 标签。HTML 标签是 HTML 语言中最基本的单位，HTML 标签是 HTML 最重要的组成部分。不理解，没关系，我们再举个简单的例子：

一个女人的包包里，会有很多东西，她们会根据自己的习惯将自己的东西进行分类放好。镜子和口红这些会经常用到的东西，会归放到容易拿到的外侧口袋里。那些不经常用到，需要注意安全存放的证件会放到不容易拿到的里侧口袋里。

HTML 标签就像一个个“口袋”，每个“口袋”都有自己的特定功能，负责存放不同的内容。显然，上述例子中的 div 标签下存放了我们关心的正文内容。这个 div 标签是这样的：

<div id="content" style="font-size: 10pt;">

细心的朋友可能已经发现，除了 div 字样外，还有 id 。id 就是 div 标签的属性，content是属性值，一个属性对应一个属性值。

属性有什么用？它是用来区分不同的 div 标签的，因为 div 标签可以有很多，id 可以理解为这个 div 的身份。

这个 id 属性为 content 的 div 标签里，存放的就是我们想要的内容，我们可以利用这一点，使用Beautiful Soup 提取我们想要的正文内容，编写代码如下：

import requestsfrom bs4 import BeautifulSoup
if __name__ == '__main__':    target = 'https://www.xsbiquge.com/15_15338/8549128.html'    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    bs = BeautifulSoup(html, 'lxml')    texts = bs.find('div', id='content')    print(texts)

代码很简单，bf.find('div', id='content') 的意思就是，找到 id 属性为 content 的 div 标签。

可以看到，正文内容已经顺利提取，但是里面还有一些 div 和 br 这类标签，我们需要进一步清洗数据。

import requestsfrom bs4 import BeautifulSoup
if __name__ == '__main__':    target = 'https://www.xsbiquge.com/15_15338/8549128.html'    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    bs = BeautifulSoup(html, 'lxml')    texts = bs.find('div', id='content')    print(texts.text.strip().split('\xa0'*4))

texts.text 是提取所有文字，然后再使用 strip 方法去掉回车，最后使用 split 方法根据 \xa0 切分数据，因为每一段的开头，都有四个空格。

程序运行结果如下：

所有的内容，已经清洗干净，保存到一个列表里了。

小说正文，已经顺利获取到了。要想下载整本小说，我们就要获取每个章节的链接。我们先分析下小说目录：

URL：https://www.xsbiquge.com/15_15338/

审查元素后，我们不难发现，所有的章节信息，都存放到了 id 属性为 list 的 div 标签下的 a 标签内，编写如下代码：

import requestsfrom bs4 import BeautifulSoup
if __name__ == '__main__':    target = 'https://www.xsbiquge.com/15_15338/'    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    bs = BeautifulSoup(html, 'lxml')    chapters = bs.find('div', id='list')    chapters = chapters.find_all('a')    for chapter in chapters:        print(chapter)

bf.find('div', id='list') 就是找到 id 属性为 list 的 div 标签，chapters.find_all('a') 就是在找到的 div 标签里，再提取出所有 a 标签，运行结果如下：

可以看到章节链接和章节名我们已经提取出来，但是还需要进一步解析，编写如下代码：

import requestsfrom bs4 import BeautifulSoup
if __name__ == '__main__':    server = 'https://www.xsbiquge.com'    target = 'https://www.xsbiquge.com/15_15338/'    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    bs = BeautifulSoup(html, 'lxml')    chapters = bs.find('div', id='list')    chapters = chapters.find_all('a')    for chapter in chapters:        url = chapter.get('href')        print(chapter.string)        print(server + url)

可以看到，chapter.get('href') 方法提取了 href 属性，并拼接出章节的 url，使用 chapter.string 方法提取了章节名。

每个章节的链接、章节名、章节内容都有了。接下来就是整合代码，将内容保存到txt中即可。编写代码如下：

import requestsimport timefrom tqdm import tqdmfrom bs4 import BeautifulSoup
def get_content(target):    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    bf = BeautifulSoup(html, 'lxml')    texts = bf.find('div', id='content')    content = texts.text.strip().split('\xa0'*4)    return content
if __name__ == '__main__':    server = 'https://www.xsbiquge.com'    book_name = '诡秘之主.txt'    target = 'https://www.xsbiquge.com/15_15338/'    req = requests.get(url = target)    req.encoding = 'utf-8'    html = req.text    chapter_bs = BeautifulSoup(html, 'lxml')    chapters = chapter_bs.find('div', id='list')    chapters = chapters.find_all('a')    for chapter in tqdm(chapters):        chapter_name = chapter.string        url = server + chapter.get('href')        content = get_content(url)        with open(book_name, 'a', encoding='utf-8') as f:            f.write(chapter_name)            f.write('\n')            f.write('\n'.join(content))            f.write('\n')

下载过程中，我们使用了 tqdm 显示下载进度，让下载更加“优雅”，如果没有安装 tqdm，可以使用 pip 进行安装，运行效果：

可以看到，小说内容保存到“诡秘之主.txt”中，小说一共 1416 章，下载需要大约 20 分钟，每秒钟大约下载 1 个章节。

下载完成，实际花费了 27 分钟。

20 多分钟下载一本小说，你可能感觉太慢了。想提速，可以使用多进程，大幅提高下载速度。如果使用分布式，甚至可以1秒钟内下载完毕。

但是，我不建议这样做。

我们要做一个友好的爬虫，如果我们去提速，那么我们访问的服务器也会面临更大的压力。

以我们这次下载小说的代码为例，每秒钟下载 1 个章节，服务器承受的压力大约 1qps，意思就是，一秒钟请求一次。

如果我们 1 秒同时下载 1416 个章节，那么服务器将承受大约 1416 qps 的压力，这还是仅仅你发出的并发请求数，再算上其他的用户的请求，并发量可能更多。

如果服务器资源不足，这个并发量足以一瞬间将服务器“打死”，特别是一些小网站，都很脆弱。

过大并发量的爬虫程序，相当于发起了一次 CC 攻击，并不是所有网站都能承受百万级别并发量的。

所以，写爬虫，一定要谨慎，勿给服务器增加过多的压力，满足我们的获取数据的需求，这就够了。

你好，我也好，大家好才是真的好。

喜欢，您就赞一下