---  好的方法很多，我们先掌握一种  ---

【背景】

对于网页信息的采集，静态页面我们通常都可以通过python的request.get()库就能获取到整个页面的信息。

但是对于动态生成的网页信息来说，我们通过request.get()是获取不到。

【方法】

可以通过python第三方库selenium来配合实现信息获取，采取方案：python + request + selenium + BeautifulSoup

我们拿纵横中文网的小说采集举例（注意：请查看网站的robots协议找到可以爬取的内容，所谓盗亦有道）：

思路整理：

1.通过selenium 定位元素的方式找到小说章节信息

2.通过BeautifulSoup加工后提取章节标题和对应的各章节的链接信息

3.通过request +BeautifulSoup 按章节链接提取小说内容，并将内容存储下来

【上代码】

1.先在开发者工具中，调试定位所需元素对应的xpath命令编写方式

2.通过selenium 中find_elements()定位元素的方式找到所有小说章节，我们这里定义一个方法接受参数来使用

def Get_novel_chapters_info(url:str,xpath:str,skip_num=None,chapters_num=None):#skip_num 需要跳过的采集章节(默认不跳过)，chapters_num需要采集的章节数(默认全部章节)
        #创建Chrome选项（禁用图形界面）
        chrome_options =Options()

        chrome_options.add_argument("--headless")

        driver= webdriver.Chrome(options=chrome_options)

        driver.get(url)

        driver.maximize_window()

        time.sleep(3)#采集小说的章节元素
        catalogues_list =[]try:

            catalogues=driver.find_elements(By.XPATH,xpath)if skip_num isNone:for catalogue incatalogues:

                    catalogues_list.append(catalogue.get_attribute('outerHTML'))

                driver.quit()if chapters_num isNone:returncatalogues_listelse:returncatalogues_list[:chapters_num]else:for catalogue incatalogues[skip_num:]:

                    catalogues_list.append(catalogue.get_attribute('outerHTML'))

                driver.quit()if chapters_num isNone:returncatalogues_listelse:returncatalogues_list[:chapters_num]exceptException:

            driver.quit()

3.把采集到的信息通过beautifulsoup加工后，提取章节标题和链接内容

        #获取章节标题和对应的链接信息
        title_link ={}for each incatalogues_list:

            bs= BeautifulSoup(each,'html.parser')

            chapter= bs.find('a')

            title=chapter.text

            link= 'https:' + chapter.get('href')

            title_link[title]= link

4.通过request+BeautifulSoup 按章节链接提取小说内容，并保存到一个文件中

        #按章节保存小说内容
        novel_path = '小说存放的路径/小说名称.txt'with open(novel_path,'a') as f:for title,url intitle_link.items():

                response= requests.get(url,headers={'user-agent':'Mozilla/5.0'})

                html= response.content.decode('utf-8')

                soup= BeautifulSoup(html,'html.parser')

                content= soup.find('div',class_='content').text#先写章节标题，再写小说内容
                f.write('---小西瓜免费小说---' + '\n'*2)

                f.write(title+ '\n')

                f.write(content+'\n'*3)
        

        
标签: none

    


    

        
            

            

                            


            
添加新评论