程式邏輯:按給出的第一章節URL,抓HTML,然後通過正規表達式,取出小說章節的 标題、正文、下章節的URL, 然後跳轉到下一章節,不斷循環處理。 取出的正文寫入文本檔案。 同時記錄每次取過的URL,如果網絡異常了,重新開機程式,可以從檔案中取URL繼續上次的抓取任務。
正則,對應如下圖:
#!/usr/bin/python
# -*- coding: gbk -*-
# by gnolux 20190526
# email: [email protected]
from urllib import request
import re
import os
import socket
#socket.setdefaulttimeout(60)
#第一章節的URL
url = 'https://www.23us.la/html/203/203086/1130014.html'
#URL前辍,用來拼接出下章節的絕對URL用
url_prex = 'https://www.23us.la/html/203/203086/'
#取章節标題的正規表達式
title_match_str = r'<h1>(.*?)</h1>'
#取章節正文的正規表達式
content_match_str = r'<div id="content">(.*?)</div>'
#取下一章節URL的正規表達式(相對URL)
next_page_match_str = r'<div class="link">.*?傳回清單</a>→<a href="(.*?)">下一章</a>'
#儲存的檔案名
save_file = 'd:/test/tclys.txt'
#如果已經運作過,則記錄了最後一次運作的下一面位址,從檔案中取url
last_url_file = '%s.url.txt'%save_file
if os.path.isfile(last_url_file):
with open(last_url_file, 'r') as f:
url = f.read()
headers = {'User-Agent':'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'}
#print(url)
for page in range(0,99999999):
req=request.Request(url=url,headers=headers)
url = ''
#如果timeout嘗試重新送出,最多嘗試8次
for t in range(0,8):
try:
response = request.urlopen(req,timeout=4)
html = response.read()
#print(html)
html = html.decode("utf-8")
title,content= '',''
s=re.findall(title_match_str,html,re.S)
if len(s) == 1:
title=s[0]
s=re.findall(content_match_str,html,re.S)
if len(s) == 1:
content = s[0]
content=content.replace('<br/>','').replace(' ','').replace('<br />','')
#print(title,content)
with open(save_file, 'a',encoding='utf-8') as f:
f.write("%s\n%s\n"%(title,content))
s=re.findall(next_page_match_str,html,re.S)
if len(s) == 1:
url = '%s%s'%(url_prex,s[0])
else:
print(s)
#記錄下一章位址到檔案,出現網絡異常時,可以續傳
with open(last_url_file, 'w') as f:
f.write(url)
#print('next url:%s'%url)
print(title)
#print(content)
break;#成功則跳出重試。
except Exception as e: #抛出逾時異常
print('第%d次嘗試連接配接'%t, str(e))
if url == '':
break;