Python3網絡爬蟲(二)：使用Beautiful Soup爬取小說

轉載請註明作者和出處：http://blog.csdn.net/c406495762
運行平臺： Windows
Python版本： Python3.x
IDE： Sublime text3

一、Beautiful Soup簡介

簡單來說，Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取數據。官方解釋如下：

Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔爲用戶提供需要抓取的數據，因爲簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。
Beautiful Soup自動將輸入文檔轉換爲Unicode編碼，輸出文檔轉換爲utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成爲和lxml、html6lib一樣出色的python解釋器，爲用戶靈活地提供不同的解析策略或強勁的速度。

廢話不多說，直接開始動手吧！

二、實戰

1.背景介紹

筆趣看是一個盜版小說網站，這裏有很多起點中文網的小說，該網站小說的更新速度稍滯後於起點中文網正版小說的更新速度。並且該網站只支持在線瀏覽，不支持小說打包下載。因此，本次實戰就是從該網站爬取並保存一本名爲《一念永恆》的小說，該小說是耳根正在連載中的一部玄幻小說。PS：本實例僅爲交流學習，支持耳根大大，請上起點中文網訂閱。

2.Beautiful Soup安裝

我們我可以使用pip3或者easy_install來安裝，在cmd命令窗口中的安裝命令分別如下：

a)pip3安裝

pip3 install beautifulsoup4

b)easy_install安裝

easy_install beautifulsoup4

3.預備知識

更爲詳細內容，可參考官方文檔：
URL：http://beautifulsoup.readthedocs.io/zh_CN/latest/

a)創建Beautiful Soup對象

from bs4 import BeautifulSoup

#html爲解析的頁面獲得html信息,爲方便講解，自己定義了一個html文件

html = """
<html>
<head>
<title>Jack_Cui</title>
</head>
<body>
<p class="title" name="blog"><b>My Blog</b></p>
<li><!--註釋--></li>
<a href="http://blog.csdn.net/c406495762/article/details/58716886" class="sister" id="link1">Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取</a><br/>
<a href="http://blog.csdn.net/c406495762/article/details/59095864" class="sister" id="link2">Python3網絡爬蟲(二)：利用urllib.urlopen發送數據</a><br/>
<a href="http://blog.csdn.net/c406495762/article/details/59488464" class="sister" id="link3">Python3網絡爬蟲(三)：urllib.error異常</a><br/>
</body>
</html>
"""

#創建Beautiful Soup對象
soup = BeautifulSoup(html,'lxml')

如果將上述的html的信息寫入一個html文件，打開效果是這樣的(<!–註釋–>爲註釋內容，不會顯示)：

同樣，我們還可以使用本地HTML文件來創建對象，代碼如下：

soup = BeautifulSoup(open(test.html),'lxml')

使用如下代碼格式化輸出：

print(soup.prettify())

b)Beautiful Soup四大對象

Beautiful Soup將複雜HTML文檔轉換成一個複雜的樹形結構,每個節點都是Python對象,所有對象可以歸納爲4種:

Tag
NavigableString
BeautifulSoup
Comment

(1)Tag

Tag通俗點講就是HTML中的一個個標籤，例如

<title>Jack_Cui</title>

上面的title就是HTML標籤，標籤加入裏面包括的內容就是Tag，下面我們來感受一下怎樣用 Beautiful Soup 來方便地獲取 Tags。

下面每一段代碼中註釋部分即爲運行結果：

print(soup.title)
#<title>Jack_Cui</title>

print(soup.head)
#<head> <title>Jack_Cui</title></head>

print(soup.a)
#<a class="sister" href="http://blog.csdn.net/c406495762/article/details/58716886" id="link1">Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取</a>

print(soup.p)
#<p class="title" name="blog"><b>My Blog</b></p>

我們可以利用 soup加標籤名輕鬆地獲取這些標籤的內容，是不是感覺比正則表達式方便多了？不過有一點是，它查找的是在所有內容中的第一個符合要求的標籤，如果要查詢所有的標籤，我們在後面進行介紹。

我們也可驗證一下這些對象的類型：

print(type(soup.title))
#<class 'bs4.element.Tag'>

對於Tag，有兩個重要的屬性：name和attrs

name：

print(soup.name)
print(soup.title.name)
#[document]
#title

soup 對象本身比較特殊，它的 name 即爲 [document]，對於其他內部標籤，輸出的值便爲標籤本身的名稱。

attrs：

print(soup.a.attrs)
#{'class': ['sister'], 'href': 'http://blog.csdn.net/c406495762/article/details/58716886', 'id': 'link1'}

在這裏，我們把 a 標籤的所有屬性打印輸出了出來，得到的類型是一個字典。

如果我們想要單獨獲取某個屬性，可以這樣，例如我們獲取a標籤的class叫什麼，兩個等價的方法如下：

print(soup.a['class'])
print(soup.a.get('class'))
#['sister']
#['sister']

(2)NavigableString

既然我們已經得到了標籤的內容，那麼問題來了，我們要想獲取標籤內部的文字怎麼辦呢？很簡單，用 .string 即可，例如

print(soup.title.string)
#Jack_Cui

(3)BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的全部內容.大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性：

print(type(soup.name))
print(soup.name)
print(soup.attrs)
#<class 'str'>
#[document]
#{}

(4)Comment

Comment對象是一個特殊類型的NavigableString對象，其實輸出的內容仍然不包括註釋符號，但是如果不好好處理它，可能會對我們的文本處理造成意想不到的麻煩。

print(soup.li)
print(soup.li.string)
print(type(soup.li.string))
#<li><!--註釋--></li>
#註釋
#<class 'bs4.element.Comment'>

li標籤裏的內容實際上是註釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把註釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。

我們打印輸出下它的類型，發現它是一個 Comment 類型，所以，我們在使用前最好做一下判斷，判斷代碼如下：

from bs4 import element

if type(soup.li.string) == element.Comment:
     print(soup.li.string)

上面的代碼中，我們首先判斷了它的類型，是否爲 Comment 類型，然後再進行其他操作，如打印輸出。

c)遍歷文檔數

(1)直接子節點(不包含孫節點)

contents：

tag的content屬性可以將tag的子節點以列表的方式輸出：

print(soup.body.contents)

#['\n', <p class="title" name="blog"><b>My Blog</b></p>, '\n', <li><!--註釋--></li>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/58716886" id="link1">Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取</a>, <br/>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/59095864" id="link2">Python3網絡爬蟲(二)：利#用urllib.urlopen發送數據</a>, <br/>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/59488464" id="link3">Python3網絡爬蟲(三)：urllib.error異常</a>, <br/>, '\n']

輸出方式爲列表，我們可以用列表索引來獲取它的某一個元素：

print(soup.body.contents[1])
<p class="title" name="blog"><b>My Blog</b></p>

children：

它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點，它是一個 list 生成器對象：

for child in soup.body.children:
     print(child)

結果如下圖所示：

(2)搜索文檔樹

find_all(name, attrs, recursive, text, limit, **kwargs)：

find_all() 方法搜索當前tag的所有tag子節點,並判斷是否符合過濾器的條件。

1) name參數：

name 參數可以查找所有名字爲 name 的tag,字符串對象會被自動忽略掉。

傳遞字符：

最簡單的過濾器是字符串，在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用於查找文檔中所有的<a>標籤：

print(soup.find_all('a'))

#['\n', <p class="title" name="blog"><b>My Blog</b></p>, '\n', <li><!--註釋--></li>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/58716886" id="link1">Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取</a>, <br/>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/59095864" id="link2">Python3網絡爬蟲(二)：利用urllib.urlopen發送數據</a>, <br/>, '\n', <a class="sister" href="http://blog.csdn.net/c406495762/article/details/59488464" id="link3">Python3網絡爬蟲(三)：urllib.error異常</a>, <br/>, '\n']

傳遞正則表達式：

如果傳入正則表達式作爲參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標籤,這表示<body>和<b>標籤都應該被找到

import re
for tag in soup.find_all(re.compile("^b")):
     print(tag.name)
#body
#b
#br
#br
#br

傳遞列表：

如果傳入列表參數，Beautiful Soup會將與列表中任一元素匹配的內容返回，下面代碼找到文檔中所有<title>標籤和<b>標籤：

print(soup.find_all(['title','b']))
#[<title>Jack_Cui</title>, <b>My Blog</b>]

傳遞True：

True 可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節點：

for tag in soup.find_all(True):
     print(tag.name)

運行結果：

2)attrs參數

我們可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag。

print(soup.find_all(attrs={"class":"title"}))
#[<p class="title" name="blog"><b>My Blog</b></p>]

3)recursive參數

調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False。

4)text參數

通過 text 參數可以搜搜文檔中的字符串內容，與 name 參數的可選值一樣, text 參數接受字符串 , 正則表達式 , 列表, True。

print(soup.find_all(text="Python3網絡爬蟲(三)：urllib.error異常"))
#['Python3網絡爬蟲(三)：urllib.error異常']

5)limit參數

find_all() 方法返回全部的搜索結構,如果文檔樹很大那麼搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果。

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因爲我們限制了返回數量：

print(soup.find_all("a", limit=2))

#[<a class="sister" href="http://blog.csdn.net/c406495762/article/details/58716886" id="link1">Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取</a>, <a class="sister" href="http://blog.csdn.net/c406495762/article/details/59095864" id="link2">Python3網絡爬蟲(二)：利用urllib.urlopen發送數據</a>]

6)kwargs參數

如果傳入 class 參數,Beautiful Soup 會搜索每個 class 屬性爲 title 的 tag 。kwargs 接收字符串，正則表達式

print(soup.find_all(class_="title"))
#[<p class="title" name="blog"><b>My Blog</b></p>]

4.小說內容爬取

掌握以上內容就可以進行本次實戰練習了

a)單章小說內容爬取

打開《一念永恆》小說的第一章，進行審查元素分析。

URL：http://www.biqukan.com/1_1094/5403177.html

由審查結果可知，文章的內容存放在id爲content，class爲showtxt的div標籤中：

局部放大：

因此我們，可以使用如下方法將本章小說內容爬取下來：

# -*- coding:UTF-8 -*-
from urllib import request
from bs4 import BeautifulSoup

if __name__ == "__main__":
    download_url = 'http://www.biqukan.com/1_1094/5403177.html'
    head = {}
    head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19'
    download_req = request.Request(url = download_url, headers = head)
    download_response = request.urlopen(download_req)
    download_html = download_response.read().decode('gbk','ignore')
    soup_texts = BeautifulSoup(download_html, 'lxml')
    texts = soup_texts.find_all(id = 'content', class_ = 'showtxt')
    soup_text = BeautifulSoup(str(texts), 'lxml')
    #將\xa0無法解碼的字符刪除
    print(soup_text.div.text.replace('\xa0',''))

運行結果：

可以看到，我們已經順利爬取第一章內容，接下來就是如何爬取所有章的內容，爬取之前需要知道每個章節的地址。因此，我們需要審查《一念永恆》小說目錄頁的內容。

b)各章小說鏈接爬取

URL：http://www.biqukan.com/1_1094/

由審查結果可知，小說每章的鏈接放在了class爲listmain的div標籤中。鏈接具體位置放在html->body->div->dd->dl->a的href屬性中，例如下圖的第759章的href屬性爲/1_1094/14235101.html，那麼該章節的地址爲：http://www.biqukan.com/1_1094/14235101.html

局部放大：

因此，我們可以使用如下方法獲取正文所有章節的地址：

# -*- coding:UTF-8 -*-
from urllib import request
from bs4 import BeautifulSoup

if __name__ == "__main__":
    target_url = 'http://www.biqukan.com/1_1094/'
    head = {}
    head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19'
    target_req = request.Request(url = target_url, headers = head)
    target_response = request.urlopen(target_req)
    target_html = target_response.read().decode('gbk','ignore')
    #創建BeautifulSoup對象
    listmain_soup = BeautifulSoup(target_html,'lxml')
    #搜索文檔樹,找出div標籤中class爲listmain的所有子標籤
    chapters = listmain_soup.find_all('div',class_ = 'listmain')
    #使用查詢結果再創建一個BeautifulSoup對象,對其繼續進行解析
    download_soup = BeautifulSoup(str(chapters), 'lxml')
    #開始記錄內容標誌位,只要正文卷下面的鏈接,最新章節列表鏈接剔除
    begin_flag = False
    #遍歷dl標籤下所有子節點
    for child in download_soup.dl.children:
        #濾除回車
        if child != '\n':
            #找到《一念永恆》正文卷,使能標誌位
            if child.string == u"《一念永恆》正文卷":
                begin_flag = True
            #爬取鏈接
            if begin_flag == True and child.a != None:
                download_url = "http://www.biqukan.com" + child.a.get('href')
                download_name = child.string
                print(download_name + " : " + download_url)

運行結果：

c)爬取所有章節內容，並保存到文件中

整合以上代碼，並進行相應處理，編寫如下代碼：

# -*- coding:UTF-8 -*-
from urllib import request
from bs4 import BeautifulSoup
import re
import sys

if __name__ == "__main__":
    #創建txt文件
    file = open('一念永恆.txt', 'w', encoding='utf-8')
    #一念永恆小說目錄地址
    target_url = 'http://www.biqukan.com/1_1094/'
    #User-Agent
    head = {}
    head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19'
    target_req = request.Request(url = target_url, headers = head)
    target_response = request.urlopen(target_req)
    target_html = target_response.read().decode('gbk','ignore')
    #創建BeautifulSoup對象
    listmain_soup = BeautifulSoup(target_html,'lxml')
    #搜索文檔樹,找出div標籤中class爲listmain的所有子標籤
    chapters = listmain_soup.find_all('div',class_ = 'listmain')
    #使用查詢結果再創建一個BeautifulSoup對象,對其繼續進行解析
    download_soup = BeautifulSoup(str(chapters), 'lxml')
    #計算章節個數
    numbers = (len(download_soup.dl.contents) - 1) / 2 - 8
    index = 1
    #開始記錄內容標誌位,只要正文卷下面的鏈接,最新章節列表鏈接剔除
    begin_flag = False
    #遍歷dl標籤下所有子節點
    for child in download_soup.dl.children:
        #濾除回車
        if child != '\n':
            #找到《一念永恆》正文卷,使能標誌位
            if child.string == u"《一念永恆》正文卷":
                begin_flag = True
            #爬取鏈接並下載鏈接內容
            if begin_flag == True and child.a != None:
                download_url = "http://www.biqukan.com" + child.a.get('href')
                download_req = request.Request(url = download_url, headers = head)
                download_response = request.urlopen(download_req)
                download_html = download_response.read().decode('gbk','ignore')
                download_name = child.string
                soup_texts = BeautifulSoup(download_html, 'lxml')
                texts = soup_texts.find_all(id = 'content', class_ = 'showtxt')
                soup_text = BeautifulSoup(str(texts), 'lxml')
                write_flag = True
                file.write(download_name + '\n\n')
                #將爬取內容寫入文件
                for each in soup_text.div.text.replace('\xa0',''):
                    if each == 'h':
                        write_flag = False
                    if write_flag == True and each != ' ':
                        file.write(each)
                    if write_flag == True and each == '\r':
                        file.write('\n')
                file.write('\n\n')
                #打印爬取進度
                sys.stdout.write("已下載:%.3f%%" % float(index/numbers) + '\r')
                sys.stdout.flush()
                index += 1
    file.close()