python解析小说

前言

在信息爆炸的时代，网络上充斥着大量的小说资源，让人们能够随时随地尽享阅读的乐趣。然而，有些小说网站要求用户付费才能获取完整的内容，这给许多人带来了困扰，尤其是像我这类对金钱概念模糊的人。不过，我们也许可以尝试使用爬虫技术来获取我们想要的小说内容。

然而，实际操作中，我们可能会遇到各种各样的困难，使得爬取小说的任务变得异常艰难，让人望而却步。下面是我在准备过程中考虑到的一些问题。

首先，我们需要面对的第一个问题就是网站的动态加载。许多小说网站为了提高用户体验，会使用JavaScript来动态加载和展示内容。这使得我们传统的爬虫方法无法有效地抓取我们需要的数据。为了解决这个问题，

其次，我们需要面临的问题是网站的防爬机制。一些小说网站为了防止机器人访问，会设置防爬机制，比如检测请求的频率、检查User-Agent等。我通过调整爬虫的请求频率、伪装User-Agent以及随机化请求头等方式来规避这些防爬机制。

最后，我们需要处理的问题是内容的版权问题。在进行爬取的过程中，我们必须尊重网站的版权规定，避免侵犯他人的知识产权。

第一步.选择合适的爬取工具

我最初的尝试是使用Python中的BeautifulSoup模块。这是一个非常强大的HTML解析库，能够方便地从网页中提取出需要的信息。然而，在爬取小说网站时，我很快发现了问题。这些小说网站通常会使用JavaScript动态加载内容，而BeautifulSoup并不能很好地处理这种情况。因此，我需要寻找一种能够处理JavaScript动态加载内容的爬虫工具。

第二步.尝试使用Selenium库

为了应对动态加载的问题，我转而使用了Selenium库。Selenium可以模拟浏览器的行为，包括执行JavaScript代码，从而能够获取到完整的页面内容。我发现，通过Selenium，我可以获取到想要的小说内容，但是又遇到了新的问题。

第三步：Webdriver变量路径安装问题

在使用Selenium时，我需要指定一个Webdriver，它相当于一个浏览器的实例，用于加载网页并执行操作。然而，我在安装过程中遇到了Webdriver变量路径的问题。我尝试了多种方法，但始终无法成功地将Webdriver正确地配置到我的环境中。

在我尝试解决Webdriver变量路径问题时，我遇到了一些挫折。我尝试按照Selenium官方文档的指导，将Webdriver的路径设置到浏览器的安装目录下，但仍然无法成功。

后来，我意识到问题可能出在环境变量上。我需要在系统环境变量中添加Webdriver的路径，才能让Selenium正确地找到并使用它。于是，我按照这个思路进行了操作，并成功地将Webdriver正确地配置到了我的环境中。

具体来说，我按照以下步骤操作：

法①

1. 找到Webdriver的路径。

   在Windows系统中，Webdriver通常位于浏览器的安装目录下，例如：C:\Program Files (x86)\Mozilla Firefox\geckodriver.exe

2. 在系统环境变量中添加Webdriver的路径。

   在Windows系统中，可以在系统属性->高级->环境变量中添加新的系统环境变量，将Webdriver的路径添加到其中

3. 重新启动Selenium并测试是否成功。

 法②

1. 下载合适版本的Webdriver，并将其解压到一个目录中。（我是解压到python安装目录下，记住复制一份并改名，添加变量才能成功）
2. 将Webdriver的路径添加到系统的环境变量中。这样，无论在哪个目录下，系统都能够找到Webdriver的位置。

通过以上步骤，我终于成功地将Webdriver正确地配置到了我的环境中，可以正常地使用Selenium进行网页内容的爬取了。

最终代码

注意事项：

1.一次只能下一本，如果要下一本你需要把txt文本提到一个文件夹中，清空。

2.一定要安装相应的库

import os
import re
from selenium import webdriver
from bs4 import BeautifulSoup
import time
from tqdm import tqdm# 作者信息
from termcolor import coloredauthor_name = "作者：O2Ethereal"
author_url = "https://gitee.com/o2ethereal"print(f"{author_name}\n{author_url}")
print("网站举例：\nhttps://www.biqukan8.cc/38_38836/")# 用户输入小说目录下载地址
directory_url = input("请输入小说目录下载地址（回车键继续）:")# 创建 Edge WebDriver，使用无痕模式
options = webdriver.EdgeOptions()
options.add_argument('--inprivate')
driver = webdriver.Edge(options=options)# 打开小说目录页面
driver.get(directory_url)
time.sleep(5)  # 等待页面加载# 获取页面源码
directory_html = driver.page_source
soup = BeautifulSoup(directory_html, 'html.parser')# 获取章节链接和标题
chapter_data = []
in_content_div = False
for element in soup.find_all(['dt', 'dd']):if "正文卷" in element.get_text():in_content_div = Trueelif in_content_div and element.name == 'dd':link = element.a.get('href')if link.startswith("/"):link = link[1:]  # 去除开头的斜杠chapter_url = f"https://www.biqukan8.cc/{link}"title = element.a.get_text()chapter_data.append((title, chapter_url))# 创建文件夹
output_folder = "novel_chapters"
os.makedirs(output_folder, exist_ok=True)# 正则表达式模式
pattern = re.compile(r'(我们会尽快处理\.举报后请耐心等待,并刷新页面。|\(\)章节错误,点此举报\(免注册\)我们会尽快处理\.举报后请耐心等待,并刷新页面。|笔趣阁手机版阅读网址：m\.biqukan8\.cc|请记住本书首发域名：www.biqukan8.cc。)')# 保存每个章节的内容到文件
for idx, (title, link) in enumerate(tqdm(chapter_data, desc="Downloading", ncols=100, bar_format="{l_bar}%s{bar:10}{r_bar} {percentage:3.0f}%",colour="cyan"), start=1):# 打开章节页面driver.get(link)time.sleep(0.5)  # 等待页面加载chapter_soup = BeautifulSoup(driver.page_source, 'html.parser')# 获取章节内容content_div = chapter_soup.find('div', class_='showtxt')if content_div:chapter_content = content_div.get_text()# 去除章节链接chapter_content = chapter_content.replace(link, "")# 使用正则表达式清理文本chapter_content = re.sub(pattern, '', chapter_content)# 去除空行lines = [line.strip() for line in chapter_content.split('\n') if line.strip()]cleaned_content = '\n'.join(lines)# 保存到文件file_name = os.path.join(output_folder, f"{title}.txt")with open(file_name, "w", encoding="utf-8") as file:file.write(cleaned_content)print(f"Downloading:   {idx / len(chapter_data) * 100:.0f}%|▏ {title}  已下载")# 关闭 WebDriver
driver.quit()

效果

 好东西，偷偷用