Python 爬虫 之 阅读呼叫转移（二）

上一篇博客我们成功地从网页上爬下了小说的一个章节，理所当然地，接下来我们要把整本小说都爬下来。首先，我们要把程序从原来的读完一章就结束，改成读完一章之后可以继续进行下一章的阅读。

注意到每个小说章节的网页下面都有下一页的链接。通过查看网页源代码，稍微整理一下（  不显示了），我们可以看到这一部分的 HTML 是下面这种格式的：

<div id="footlink">
  <script type="text/javascript" charset="utf-8" src="/scripts/style5.js"></script>
  <a href="http://www.quanben.com/xiaoshuo/0/910/59301.html">上一页</a>    
  <a href="http://www.quanben.com/xiaoshuo/0/910/">返回目录</a>    
  <a href="http://www.quanben.com/xiaoshuo/0/910/59303.html">下一页</a>
</div>

上一页  返回目录 下一页 都在一个 id 为 footlink  的 div 中，如果想要对每个链接进行匹配的话，会抓取到网页上大量的其他链接，但是 footlink 的 div 只有一个啊！我们可以把这个 div 匹配到，抓下来，然后在这个抓下来的 div  里面再匹配 <a> 的链接，这时就只有三个了。只要取最后一个链接就是下一页的 url 的，用这个 url 更新我们抓取的目标 url ，这样就能一直抓到下一页。用户阅读逻辑为每读一个章节后，等待用户输入，如果是 quit 则退出程序，否则显示下一章。

基础知识：

上一篇的基础知识加上 Python 的 thread 模块.

源代码：

# -*- coding: utf-8 -*-

import urllib2
import re
import thread
import chardet

class Book_Spider:

    def __init__(self):
        self.pages = []
        self.page = 1
        self.flag = True
        self.url = "http://www.quanben.com/xiaoshuo/10/10412/2095096.html"

    # 将抓取一个章节
    def GetPage(self):
        myUrl = self.url
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = { 'User-Agent' : user_agent }
        req = urllib2.Request(myUrl, headers = headers)
        myResponse = urllib2.urlopen(req)
        myPage = myResponse.read()

        charset = chardet.detect(myPage)
        charset = charset['encoding']
        if charset == 'utf-8' or charset == 'UTF-8':
            myPage = myPage
        else:
            myPage = myPage.decode('gb2312','ignore').encode('utf-8')
        unicodePage = myPage.decode("utf-8")

        # 找出 id="content"的div标记
        #抓取标题
        my_title = re.search('<div.*?id="title"><h1>(.*?)</h1></div>',unicodePage,re.S)
        my_title = my_title.group(1)
        #抓取章节内容
        my_content = re.search('<div.*?id="content">(.*?)</div>',unicodePage,re.S)
        my_content = my_content.group(1)
        my_content = my_content.replace("<br />","\n")
        my_content = my_content.replace(" "," ")

        #用字典存储一章的标题和内容
        onePage = {'title':my_title,'content':my_content}

        #找到页面下方的连接区域
        foot_link = re.search('<div.*?id="footlink">(.*?)</div>',unicodePage,re.S)
        foot_link = foot_link.group(1)
        #在连接的区域找下一页的连接，根据网页特点为第三个
        nextUrl = re.findall(u'<a.*?href="(.*?)">(.*?)</a>',foot_link,re.S)
        nextUrl = nextUrl[2][0]
        # 更新下一次进行抓取的链接
        self.url = nextUrl

        return onePage

    # 用于加载章节
    def LoadPage(self):
        while self.flag:
            if(len(self.pages) - self.page < 3):
                try:
                    # 获取新的页面
                    myPage = self.GetPage()
                    self.pages.append(myPage)
                except:
                    print '无法连接网页！'

    #显示一章
    def ShowPage(self,curPage):
            print curPage['title']
            print curPage['content']
            print "\n"
            user_input = raw_input("当前是第 %d 章，回车读取下一章或者输入 quit 退出：" % self.page)
            if(user_input == 'quit'):
                self.flag = False
            print "\n"

    def Start(self):
        print u'开始阅读......\n'

        # 新建一个线程
        thread.start_new_thread(self.LoadPage,())

        # 如果self的page数组中存有元素
        while self.flag:
            if self.page <= len(self.pages):
                nowPage = self.pages[self.page-1]
                self.ShowPage(nowPage)
                self.page += 1

        print u"本次阅读结束"

#----------- 程序的入口处 -----------
print u"""
---------------------------------------
   程序：阅读呼叫转移
   版本：0.2
   作者：angryrookie
   日期：2014-07-07
   语言：Python 2.7
   功能：按下回车浏览下一章节
---------------------------------------
"""

print u'请按下回车：'
raw_input(' ')
myBook = Book_Spider()
myBook.Start()

Python 爬虫 之 阅读呼叫转移（二）,布布扣,bubuko.com