超详细的python爬虫案例，一次爬取上百篇文章

一次爬多篇文章，逻辑是先从主网址爬到每篇文章的网址，再从各个网址处爬取文章，很简单的静态网页爬取，不需考虑反扒问题。话不多说，直接案例说话。

实例：从https://www.biquge.com.cn/book/24032/，爬取小说的全部章节的内容。

实现方法：requests 访问 + BeautifulSoup解析

1、目标网址是静态网页，浏览网址和数据网址相同，可直接使用。

import requests                           # 导入requests库
from bs4 import BeautifulSoup  # 导入BeautifulSoup库

url = ''https://www.biquge.com.cn/book/23341/''  # 准备好目标网址

2、requests 访问网址获得网页

打开浏览器控制台，查看Network下的Response发现有我们需要用的章节的标题和链接，用requests访问网址，就是为了获取下图中response界面下红框的内容。

requests 访问网址代码：

import requests
from bs4 import BeautifulSoup

url = ''https://www.biquge.com.cn/book/23341/''
response= requests.get(url)                           #  requests访问网址，获得的内容放入response

获得的内容放入response变量（自定义，可随意取）里。

3、BeautifulSoup解析网页获得内容

用BeautifulSoup解析response变量里的内容，方法为：

import requests
from bs4 import BeautifulSoup

url = ''https://www.biquge.com.cn/book/23341/''
response= requests.get(url)
soup = BeautifulSoup(response.content, 'lxml')    #  BeautifulSoup解析response里的内容，放入soup里

现在网页内容已经被赋值到变量soup了，此时若打印s，会得到上面图2红框的内容。

4、解析内容爬取小说名，并用其创建一个文件夹，以备放后面下载的小说正文

通过在response里查找，我们发现标题在图3如下位置有出现：

booktitle = soup.find('h1').text
if not os.path.isdir(booktitle):  # 判断当前文件夹下是否存在和小说名同名的文件夹
    os.makedirs(booktitle)  # 若不存在，则创建小说同名文件夹

5、继续用BeautifulSoup解析soup内容，获得章节标题及网址

继续在图2response里查找，发现章节信息都在dd标签下的a标签里，如图5：

提取章节标题和链接代码：

import requests
from bs4 import BeautifulSoup
......
......
dd = soup.find_all('dd')
for i in range(len(dd)):
        title = dd[i].find('a').text    #  获得章节名
        chap_url = dd[i].find('a')['href']    #  获得章节链接
				print(title, ': ", chap_url)    # 临时打印查看效果如下图

5、循环遍历访问章节链接，获得小说正文

通过上面的操作，我们获得了每一章节页面的具体网址链接，继续用requests访问链接，就能获得小说的网页页面，接着用BeautifulSoup解析获得小说内容。我们可用简单方法，快速找到小说内容所在位置：在小说页面正文区域右键单击，选择“检查”或“审查元素”，会自动弹出浏览器控制台并高亮显示的正文在网页页面里的位置，分析确定提取参数即可。

通过上面的操作，我们能轻松的找到小说文本在网页里的位置，并能知道两个参数，标签：'div'；id：'content'，然后通过这两个参数提取出小说文本。

import requests
from bs4 import BeautifulSoup
......
......
for i in range(len(dd)):
    if i == 2：    #  临时设置只看第3篇文章的打印效果，用于调试
        title = dd[i].find('a').text
        chap_url = dd[i].find('a')['href']
        response1 = requests.get('https://www.biquge.com.cn' + chap_url) #访问链接
        soup1 = BeautifulSoup(response1.content, 'lxml')   # 获得网页
        text = soup1.find('div', id='content').text   #解析网页获得小说正文
        print(text)      # 试打印看效果

6、保存结果

f = open(path + '/' + title + '.txt', 'a+', encoding='utf-8')  # 设置章节标题为文件名
        f.write(text)  # 写入小说正文

至此，代码完成，能放心下载了。

7、运行效果

我们在完整代码里，设置一次性下载100章节的代码，来看看下载的效果。完整代码：

import requests, os
from bs4 import BeautifulSoup

url = 'https://www.biquge.com.cn/book/23341/'
response = requests.get(url)
soup = BeautifulSoup(response.content, 'lxml') 
booktitle = soup.find('h1').text
if not os.path.isdir(booktitle):  # 判断当前文件夹下是否存在和小说名同名的文件夹
    os.makedirs(booktitle)  # 若不存在，则创建小说同名文件夹
dd = soup.find_all('dd')
for i in range(len(dd)):
    if i < 100:
        title = dd[i].find('a').text
        chap_url = dd[i].find('a')['href']
        response1 = requests.get('https://www.biquge.com.cn' + chap_url)
        soup1 = BeautifulSoup(response1.content, 'lxml')
        text = soup1.find('div', id='content').text
        f = open(booktitle + '/' + title + '.txt', 'a+', encoding='utf-8')
        f.write(text)
        print("正在下载《 {} 》...... {} / {} ".format(title, i+1, len(dd)))
    else:
        break
print('本次共下载 {} 章， 保存地址：{}'.format(i, os.getcwd() + '\\' + booktitle + '\\'))

运行效果：