![]()
（每一天都是属于你的！）
Python对于初学后巩固基础的人还是更多的来接触python爬虫会更好一些，在Python爬虫中包含很多基础部分知识，并且在项目中会提升你的成功感！加油！
我在工作之余时间，把Python的爬虫基础内容整理了一下，资料因为太多所以都放在QQ群内了，需要的可以来---607021567。
今天整理了一个两个网站的小说阅读平台的爬虫，将两个网站的小说可按自有的格式抓取下来自动生成txt文件。
项目介绍：
--Python爬虫
--模块：requests，BeautifulSoup，time
--分析：request模块作用于网站的连接与处理，BeautifulSoup作用于源码中的代码分析与抓取，time主要是在我们抓取的过程中加入时间限制（这个主要是应对有网站监控的，这里我们就不需要了）
因为这里没有涉及到数据库相关的操作，所以没有对数据库的相关详细内容，但是我会将Python与mongodb、MySQL、Sqlserver的连接方式的代码会附赠在下面。
一、网页分析：
首先步步分析网页内容：https://www.booktxt.net/6_6453/2529786.html，cookie信息--F12键。
这里面有很多广告，不过可以不用去理它们，首先获取到我们需要的网址：
1 # -*- coding:utf-8 -*-
2 import requests
3 from bs4 import BeautifulSoup
4 import time
5
6 def project(url,page):
7 #url='http://www.23us.so/files/article/html/1/1809/877404.html' #大主宰
8 #url='http://www.23us.so/files/article/html/6/6100/2193573.html' #天下无双
9 #url='https://www.booktxt.net/6_6453/2529786.html' #元尊
10 headers={"Cookie": "jieqiVisitId=article_articleviews%3D6453; cscpvrich87",
11 "Host": "www.booktxt.net",
12 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:60.0) Gecko/20100101 Firefox/60.0",
13 "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"}
14 r =requests.get(url,headers,timeout=30)
15 h = r.content
这里主要使用request模块获取网址的源码，h--就是我们所获取的源码，你可以测试的时候print出来。
二、源码分析
我们这里直接在网页中来查看源码：网页中右键查看源码。
这里我们注意到文本的内容包含在<div id="content">的标签内，所以接下来我们使用bs4来处理。
1 soup = BeautifulSoup(h, "html.parser")
2 a1 = soup.find('div',class_="bookname").h1
3 text_da(a1.get_text().encode('utf-8')+'\n\n\n')
4 a = soup.find('div',id='content')
5 text_da(a.get_text().encode('utf-8')+'\n\n\n')
每一行分开解释：
1、使用BeautifulSoup模块，其中"html.parser"是模块内置函数，对源码的分析，这样我们就获取到网址的bs4源码。
2、首先是获取小说中的标题，soup.find--是获取源码中第一个div标签class=“bookname”下的h1标签，当前我们获取到h1标签所有内容包括标签，但是我们需要获取到文本内容。
3、获取获得标签内的文本内容--a1.get_text()，这里的encode('utf-8')是将我们获取的内容需要转码，不然是乱码的状态。
4、获取我们主要的文本内容--同理，需要获得文本内容的标签div
5、获得文本内容。
三、分页操作
因为我们浏览的页面会有分页，所有这里也是我们需要注意的地方。
![]()
![]()
这里的下一章按钮，就是我们的突破点：
1 b = soup.find('div',class_='bottem2')
2 if b:
3 a = b.find_all('a')
4 #shuurl = 'http://www.23us.so'+a[-1]['href']
5 shuurl = 'https://www.booktxt.net' + a[-2]['href']
6 #print shuurl
7 page=page+1
8 project(shuurl,page)
我们在源码中获取到的下一章的网址位于a标签内。
3行、--我们获取所有的a标签。
5行、a[-2]是获取我们倒数第二个标签也就是我们的下一章标签，【’href‘】--是获得a标签内的href的内容也就是我们的地址，这里需要拼接字符串。
7行、是抓取的注释内容，稍后在源码中你会看到效果
8行、有的小伙伴注意到了，这里是调用函数，函数的名字就是我们一开始定义的函数，就是它自己本身。
四、写入文件
接下来，我们的主要价值数据获取到，但是我们需要它成为txt文件，所以我写了一个函数，在上面的函数体中直接调用就可以了。
1 def text_da(text):
2 fo = open("foo.txt", "a")
3 fo.write(text)
4
5 # 关闭打开的文件
6 fo.close()
五、启动函数
最后一步，就是我们的启动程序代码。
1 if __name__ == '__main__':
2 page=1
3 url = 'https://www.booktxt.net/6_6453/2529786.html' # 元尊
4 project(url,page)
这里主要是python的内置函数，作为启动py文件内的函数。
六、源码
哦！忘了源码-----
1 # -*- coding:utf-8 -*-
2 import requests
3 from bs4 import BeautifulSoup
4 import time
5
6 def project(url,page):
7 #url='http://www.23us.so/files/article/html/1/1809/877404.html' #大主宰
8 #url='http://www.23us.so/files/article/html/6/6100/2193573.html' #天下无双
9 #url='https://www.booktxt.net/6_6453/2529786.html' #元尊
10 headers={"Cookie": "jieqiVisitId=article_articleviews%3D6453; cscpvrich8793_fidx=4; __tins__19219364=%7B%22sid%22%3A%201527749231776%2C%20%22vd%22%3A%204%2C%20%22expires%22%3A%201527751067272%7D; __51cke__=; __51laig__=4; Hm_lvt_6949867c34e7741ebac3943050f04833=1527749232; Hm_lpvt_6949867c34e7741ebac3943050f04833=1527749267; cscpvcouplet8792_fidx=4; cscpvrich8791_fidx=4",
11 "Host": "www.booktxt.net",
12 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:60.0) Gecko/20100101 Firefox/60.0",
13 "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"}
14 r =requests.get(url,headers,timeout=30)
15 h = r.content
16 #print h
17 soup = BeautifulSoup(h, "html.parser")
18 #a = soup.find('dd',id='contents')
19 #print a.get_text()
20 a1 = soup.find('div',class_="bookname").h1
21 text_da(a1.get_text().encode('utf-8')+'\n\n\n')
22 a = soup.find('div',id='content')
23 text_da(a.get_text().encode('utf-8')+'\n\n\n')
24 print '第'+str(page)+'章！'
25 #b = soup.find('dd',id='footlink')
26 b = soup.find('div',class_='bottem2')
27 if b:
28 a = b.find_all('a')
29 #shuurl = 'http://www.23us.so'+a[-1]['href']
30 shuurl = 'https://www.booktxt.net' + a[-2]['href']
31 #print shuurl
32 page=page+1
33 project(shuurl,page)
34
35 def text_da(text):
36 fo = open("foo.txt", "a")
37 fo.write(text)
38
39 # 关闭打开的文件
40 fo.close()
41
42 if __name__ == '__main__':
43 page=1
44 url = 'https://www.booktxt.net/6_6453/2529786.html' # 元尊
45 project(url,page)
对了！还有Python对于数据库的连接操作，我这里直接就贴源码了，其中很多的内容我都注释了！不懂的可以加群---607021567（需要验证信息，因为我不知道来的是朋友还是敌人）
1 # -*- coding:utf-8 -*-
2 import pymongo
3 from pymongo import MongoClient
4 import json
5 #MONGODB
6 #连接
7 client = MongoClient('mongodb://localhost')
8 db = client.test
9 table='test'
10 #db[table].insert({'user_id':2,'name':'zhu'})
11 #db[table].update({'name':'zhu'},{'$set':{'user_id':2}})
12 #db[table].remove({'name':'zhu'})
13 #查询结果排序（key：1或者-1）升序或者降序
14 a = db[table].find().sort("user_id",1)
15 print a
16 for i in a:
17 print i
18
19 #db.authenticate('test','test')
20
21 """table = 'imi_product'
22 a = db[table].find({'partno':'NEN1FX6'}).limit(1)
23 detailList = []
24 for i in a:
25 if (i.get("specs")):
26 specary = i.get("specs")
27 for i in specary:
28 detailList.append({"left": i, "right": specary[i]})
29 print detailList
30 for i in detailList:
31 print i.get('right')
32 #查询和增加
33 #db[table].insert({'sn':1,'b':'b'})
34 #更改
35 #db[table].update({'sn':1},{'$set':{'b':'sda'}})
36 #删除
37 #删除name=lisi的全部记录
38 #db[table].remove({'sn': 1})
39 #删除集合里的所有记录
40 #db.users.remove()
41 # (>) 大于 - $gt
42 # (<) 小于 - $lt
43 # (>=) 大于等于 - $gte
44 # (<= ) 小于等于 - $lte
45 #a = db[table]
46 #print a.find_one()"""
47
48
49
50 #SQLSERVER
51 """import pyodbc
52 import MySQLdb
53 MSSQL_INFO = {"hostname":"localhost","username":"","password":"","dbname":"oneice"}
54 strconn= 'DRIVER={SQL Server};SERVER='+MSSQL_INFO.get("hostname")+';DATABASE='+MSSQL_INFO.get("dbname")+';UID='+MSSQL_INFO.get("username")+';PWD='+MSSQL_INFO.get("password")
55 db = pyodbc.connect(strconn)
56 sqldb = db.cursor()
57 #查询
58 sql = 'select * from news where news_id=1'
59 #添加
60 sql ="insert into news (news_title,news_author,news_summary,news_content,news_pic) values ('haha','happy','Iriji','little','12dsa')"
61 #删除
62 sql ="delete from news where news_id=5"
63 sqldb.execute(sql)
64 sqldb.commit()
65 #查询
66 row = sqldb.fetchone()
67 print row[1]
68 #存储过程
69 sqldb.execute("{call 存储过程名字 (参数)}", '上传的参数')
70 q = sqldb.fetchone()/fetchall()
71 sqldb.commit()
72 if q:
73 print q[1]"""
这里包含这Python调用SQLSERVER的存储过程和基本操和MONGODB的基本操作！
Welcome to Python world! I have a contract in this world! How about you?
