Python爬虫实战，requests+openpyxl模块，爬取小说数据并保存txt文档（附源码）

news2024/11/17 7:37:38

前言

今天给大家介绍的是Python爬取小说数据并保存txt文档，在这里给需要的小伙伴们代码，并且给出一点小心得。

首先是爬取之前应该尽可能伪装成浏览器而不被识别出来是爬虫，基本的是加请求头，但是这样的纯文本数据爬取的人会很多，所以我们需要考虑更换代理IP和随机更换请求头的方式来对小说数据进行爬取。

在每次进行爬虫代码的编写之前，我们的第一步也是最重要的一步就是分析我们的网页。

通过分析我们发现在爬取过程中速度比较慢，所以我们还可以通过禁用谷歌浏览器图片、JavaScript等方式提升爬虫爬取速度。

开发工具

Python版本： 3.6

相关模块：

requests模块

parsel模块

tqdm模块

pandas模块

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

文中完整代码及小说，评论留言获取

思路分析

浏览器中打开我们要爬取的页面
按F12进入开发者工具，查看我们想要的小说数据在哪里
这里我们需要页面数据就可以了

源代码结构

Cookie获取

代码实现

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36',
    #'Cookie': '你的Cookie'
}

def get_response(html_url):
    """发送请求"""
    # headers 字典类型 键值对 :隔开
    # headers 请求头的作用: 把python代码伪装成浏览器对服务器发送请求
    response = requests.get(url=html_url, headers=headers)
    time.sleep(6)
    return response

def save(name, title, content):

    with open(name + '.txt', mode='a', encoding='utf-8') as f:
        f.write(title)
        f.write('\n')
        f.write(content)
        f.write('\n')

def get_novel_content(html_url):
    response = get_response(html_url)
    # parsel 解析数据 是需要把获取到的html字符串数据 转换成 selector 对象
    # selector 对象 调用封装好的 css选择器 xpath
    # 解析数据 提取小说url章节地址 小说名字
    selector = parsel.Selector(response.text)
    # css选择器 通过标签属性 提起数据
    name = selector.css('#info h1::text').get()
    href = selector.css('#list dd a::attr(href)').getall()
    # get 获取一个标签内容[字符串]  getall 是获取所有标签属性内容[列表]
    # 想要把列表里面每一个元素都提取出来的话, 是需要通过遍历
    for index in href:
        # https://www.biquges.com/10_10770/6896120.html
        index_url = 'https://www.biquges.com' + index
        response_1 = get_response(index_url)
        selector_1 = parsel.Selector(response_1.text)
        title = selector_1.css('.bookname h1::text').get()
        print(title)
        content_list = selector_1.css('#content::text').getall()
        # 保存文本数据 是字符串的形式
        # 把列表转换成字符串 str() 强制转换数据类型
        content = ''.join(content_list)
        save(name, title, content)