顶点小说搜索爬取

查看 114|回复 9
作者:star0angel   
刚刚学爬虫  代码仅作为研究学习使用  请勿滥用
感觉代码很冗余  尤其是分页下载的怎么优化 协程里面不能用递归吗
刚刚看了下载会有编程错误的问题  是因为网页本身有些特殊字符识别不出来 忽略就可以了 改下这里就可以了  content = await response.text(encoding='utf-8',errors='ignore')
成品就不放了  源码运行就可以了  仅做学习研究使用 请勿滥用
[Python] 纯文本查看 复制代码import asyncio
import os.path
import time
import aiohttp
import aiofiles
import requests
from lxml import etree
from urllib.parse import urljoin
# 小说下载器,基于异步IO和aiohttp库  用于合成网址
main_url = 'https://www.23wxx.cc/'
async def download(down_url, file_name):
    """
    异步下载小说章节并保存到文件。
    :param down_url: 章节内容的URL
    :param file_name: 保存章节内容的文件名(包含路径)
    """
    headers = {
        # 翻页的cookie需要从随便一个翻页获取
        'Cookie': 'waf_sc=5889647726; novel_3341=1254203%7C1715791397; novel_5992=894457%7C1715795498; Hm_lvt_214c2a461550c6e33904c2abd04c890a=1715787170,1715819564; novel_5177=966743%7C1715821321; Hm_lpvt_214c2a461550c6e33904c2abd04c890a=1715821317',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0',
        'Referer': down_url
    }
    async with aiohttp.ClientSession() as session:
        try:
            async with session.get(down_url, headers=headers) as response:
                content = await response.text()
                # 获取响应的Cookie
                response_cookies = response.cookies
                # 更新Cookie 否则有下一页会下载失败
                cookie_str = "; ".join([f"{key}={value.value}" for key, value in response_cookies.items()])
                headers['Cookie'] = cookie_str
                tree = etree.HTML(content)
                texts = tree.xpath('//div[@id="content"]/p//text()')[:-1]
                next_characters = tree.xpath('//a[@id="A3"]//text()')[0]
                if next_characters:
                    next_url = urljoin(main_url, tree.xpath('//a[@id="A3"]//@href')[0])
                texts = ''.join(texts)
                async with aiofiles.open(file_name, 'w', encoding='utf-8') as f:
                    await f.write(texts)
            while next_characters == '下一页':
                """
                如果存在下一页,则继续下载。
                """
                down_url = next_url
                async with aiohttp.ClientSession() as session:
                    async with session.get(down_url, headers=headers) as response:
                        content = await response.text()
                        # print(response.url)
                        tree = etree.HTML(content)
                        texts = tree.xpath('//div[@id="content"]/p//text()')[:-1]
                        next_characters = tree.xpath('//a[@id="A3"]//text()')[0]
                        if next_characters:
                            next_url = urljoin(main_url, tree.xpath('//a[@id="A3"]//@href')[0])
                        texts = ''.join(texts)
                        async with aiofiles.open(file_name, 'a', encoding='utf-8') as f:
                            await f.write(texts)
            print(f'{file_name}下载完成')
        except Exception as e:
            print(f'{file_name}下载失败:{e}')
async def main(lst_info, name):
    """
    主函数,用于处理小说的下载任务。
    :param lst_info: 包含小说章节信息的列表
    :param name: 小说名称,用于保存文件
    """
    if not os.path.exists(name):
        os.makedirs(name)
    num = 1
    tasks = []
    for info in lst_info[:]:
        down_url = info['chapter_url']
        chapter_name = info['chapter_name']
        file_name = f'{name}/{num}-{chapter_name}.txt'
        file_name = file_name.replace(' ', '').strip().replace('*', '')  # * 号不能用于文件名 避免报错
        num += 1
        tasks.append(asyncio.create_task(download(down_url, file_name)))
    await asyncio.gather(*tasks)
def main_search():
    while True:
        url = 'https://www.23wxx.cc/search.html'
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0',
            'Cookie': 'waf_sc=5889647726; Hm_lvt_214c2a461550c6e33904c2abd04c890a=1715787170; Hm_lpvt_214c2a461550c6e33904c2abd04c890a=1715787479',
            'Referer': 'https://www.23wxx.cc/search/804/1.html'
        }
        # 用户输入小说名称,输入q退出
        name = input('请输入小说名,输入q退出:')
        if name == 'q':
            break
        else:
            # 发送POST请求搜索小说
            data = {
                'searchtype': 'all',
                'searchkey': name
            }
            res = requests.post(url, data=data, headers=headers)
            # 更新Referer为搜索结果页面的URL
            # headers['Referer'] = str(res.url)
            # 解析搜索结果页面
            tree = etree.HTML(res.text)
            dls = tree.xpath('//div[//div[@id="sitembox"]]/dl')
            if len(dls) == 0:
                print('没有找到小说')
                continue
            else:
                # 打印搜索到的小说信息
                lst = []
                num = 1
                for dl in dls:
                    title = dl.xpath('./dd[1]//a//text()')[0]
                    info = dl.xpath('./dd[2]//text()')
                    info = ' '.join(info).strip()
                    url = dl.xpath('./dd[1]//a/@href')[0]
                    url = urljoin(main_url, url)
                    print(num, title, info)
                    lst_info = [title, url]
                    lst.append(lst_info[:])
                    num += 1
                # 用户输入要下载的小说序号
                num = input('请输入你想下载的小说序号:')
                if num.isdigit() and 0

小说, 章节

star0angel
OP
  


restiger 发表于 2024-5-16 11:19
感谢分享,但是纯在问题,希望改进

貌似有些小说章节编码不一样  我这下载没有超时的不知道为啥  其他小说我试了好像没啥毛病
restiger   

感谢分享,但是纯在问题,希望改进
HK仅輝   

大佬,可以写一个爬取起点的吗
user1997   

感谢分享
star0angel
OP
  


HK仅輝 发表于 2024-5-16 11:47
大佬,可以写一个爬取起点的吗

我是新手  我也想啊  这太超出我实力范围了
桃花笑   

这个可以啊
huimenger   

感谢分享
rufan321   

有没有七猫小说的呀
abc023119   

谢谢分享啊 已下载
您需要登录后才可以回帖 登录 | 立即注册

返回顶部