python爬虫爬取小说网站

项目场景：

利用python爬取某小说网站，主要爬取小说名字，作者，类别，将其保存为三元组形式：（xxx, xxx, xxx）并将其保存至excel表格中。本文从爬取目的到爬取的各步骤都尽量详细的去复现。
(学习爬虫1个月，python两个月，记录自己的学习过程。只要爬成功一次后，之后就会更得心应手。)
本文中不恰当之处还望指正。
复现过程

1.审查相关数据元素标签：
比如我要爬取的内容都在下图红框标签中：

更细分一点呢，我要爬取的是标题，作者和类别，我们发现这三组数据在该页面中都可以找到，就在这个页面中进行爬取吧。接下来寻找数据对应的元素标签。
（打开开发者工具，F12，或在设置里打开也可。找到找个小图标：

点击你想要爬取的内容就可以找到其对应的标签了。）
下面我们来查看一下我们想要爬取的数据的标签吧。
小说名称对应的元素：

作者对应的元素标签：

类别对应的元素标签：

2.下面开始编写代码：
a.导入库：

1. import requests
2. from bs4 import BeautifulSoup
3. import pandas as pd

复制代码

b.这里我就编写一个爬虫类NovelSpider了：

1. class NovelSpider:
2.     """
3.     全书网小说爬虫爬取小说名称
4.     """
5.     def __init__(self, url: str = None, page: int = 2):
6.         self.url = url
7.         self.headers = {
8.             'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60'
9.         }
10.         self.page = page

复制代码

这是编写类最基本的内容了，用__init__定义一个类的基本属性。
c.下面我们开始在类中编写一个具体的实现代码了：

1.     def get_novel(self, url: str):
2.         """获取文章信息的方法"""
3.         try:
4.             response = requests.get(url, headers=self.headers)
5.             response.encoding = 'utf-8'
6.             soup = BeautifulSoup(response.text, 'lxml')
7.             novel_list = []
8.             dl_tag = soup.find_all('dl')
10.             for dl in dl_tag:
11.                 # 获取小说名称
12.                 a_title_tag = dl.find('a', class_="bigpic-book-name")
13.                 title = a_title_tag.text if a_title_tag.text else ""
15.                 # 获取小说作者
16.                 a_author_tag = dl.find('a', href=lambda href: href and '/search/' in href)
17.                 author = a_author_tag.text if a_author_tag.text else ""
19.                 # 获取小说的类别
20.                 a_type_tag = dl.find('a', href=lambda href: href and '/lists/' in href)
21.                 type_ = a_type_tag.text if a_type_tag.text else ""
23.                 if title and author and type_:
24.                     novel_list.append([title, author, type_])
26.             return novel_list
28.         except Exception as e:
29.             print(f'出现{e}错误！！！')

复制代码

在编写python代码中使用try-except模块几乎是约定俗成的规定：
因为爬虫面临的不确定性很多：比如：网络问题（连接超时、DNS解析失败、SSL错误等），
目标网站变更（HTML结构调整、标签属性变化），反爬机制（IP封禁、验证码、请求频率限制），数据异常（缺失字段、格式不符预期）。
"宁可失败也要明确原因，不要沉默地继续运行错误状态"

try-except块：

1. try:
2.         xxx
3. except requests.RequestException as e:
4.         print(f'请求出现 {e} 错误！！！')
5. except Exception as e:
6.         print(f'出现{e}错误！！！')

复制代码

在编写好最基本的爬虫语句后，着重处理我们想要爬取的特定标签：
我们知道，关于小说的内容都在以下元素中：

1. <dl>
2.         <dt>
3.                
4.                         <img src="https://www.cnblogs.com/uploads/novel/20240607/16b3a64816abde58e26c2c8313a2dc05.jpg"  data-original="https://www.cnblogs.com/uploads/novel/20240607/16b3a64816abde58e26c2c8313a2dc05.jpg" >
5.         </dt>
6.         <dd>
7.                 能看见光的人
8.                 <p>
9.                         念长素
10.                         |
11.                         其他
12.                         | 连载中                                                                                                                </p>
13.                 <p >能看见光的人，身上却没有光，只能看着自己和身边的人，一步步深陷泥沼，难以自拔。挣扎过，犹豫过，逃避过，反抗过，最终抛弃信念，沉默地沉沦在现实的漩涡里。那些有光的人，终究才是世界的中心。也许，怪他不够努力，不够聪明，不够坚定吧...</p>
14.                 <p>
15.                         41.05 万字 |
16.                         2024-06-07 20:23更新
17.                 </p>
18.         </dd>
19. </dl>

复制代码

我们要遍历网页中的所有dl标签：

1. dl_tag = soup.find_all('dl')

复制代码

*小说名称对应的a标签如下：
能看见光的人
且具有属性：

*小说作者对应的a标签：
念长素
*小说类别对应的a标签：
其他
基于此可编写代码如下：

1. for dl in dl_tag:
2.     # 获取小说名称
3.     a_title_tag = dl.find('a', class_="bigpic-book-name")
4.     title = a_title_tag.text if a_title_tag.text else ""
6.     # 获取小说作者
7.     a_author_tag = dl.find('a', href=lambda href: href and '/search/' in href)
8.     author = a_author_tag.text if a_author_tag.text else ""
10.     # 获取小说的类别
11.     a_type_tag = dl.find('a', href=lambda href: href and '/lists/' in href)
12.     type_ = a_type_tag.text if a_type_tag.text else ""

复制代码

1. a_author_tag = dl.find('a', href=lambda href: href and '/search/' in href)

复制代码

1.这行代码的作用是在一个 dl 标签内查找符合特定条件的 a 标签，这个条件是该 a 标签的 href 属性值包含 /search/ 字符串。
2.href=lambda href: href and '/search/' in href：这是一个条件表达式，用于筛选 a 标签。具体来说，它使用了一个匿名函数（lambda 函数）来定义筛选条件。
3.lambda href: href and '/search/' in href 这个匿名函数接受一个参数 href，它代表 a 标签的 href 属性值。
4.href and '/search/' in href 这个条件表达式的含义是：首先检查 href 是否存在（即不为 None），然后检查 '/search/' 是否包含在 href 字符串中。只有当这两个条件都满足时，这个 a 标签才会被选中。
a_type_tag同理。

在循环遍历的每个dl标签中，如果title，author，type都存在的话，就将这三者存储为三元组，并追加到列表中：

1. if title and author and type_:
2.     novel_list.append([title, author, type_])

复制代码

生成的三元组列表如下所示：

d.将三元组列表保存至excel表格中：

1. def save_to_excel(self, data):
2.     """将爬取到的数据保存至本地excel表格"""
3.     df = pd.DataFrame(data, columns=['小说', '作者', '类别'])
4.     df.to_excel('novel_information.xlsx', index=False)
5.     print(f"保存成功!!!")

复制代码

e.实现自动翻页：
我们发现：url后面拼接参数?page=xx就可以实现自动翻页，我们需要一个for循环来实现：

1. def page_turning(self):
2.     """实现自动翻页"""
3.     if not self.url:
4.         print("未提供有效的 URL，请检查输入。")
5.         return
6.     print(f"正在保存......")
7.     novel_result = []
8.     for i in range(1, self.page):
9.         base_url = f'{self.url}?page={i}'
10.         novel = self.get_novel(base_url)
11.         novel_result.extend(novel)
13.     self.save_to_excel(novel_result)

复制代码

将拼接好的base_url作为参数传给get_novel()方法就可以爬取每一页了。
f.主程序块
主程序块（if name == 'main':）是Python脚本的执行入口：
1.脚本自执行：当文件被直接运行时（如 python script.py），块内代码会自动执行
2.模块化隔离：当文件被其他模块导入时，块内代码不会自动运行
在主程序块中传入url和想要翻取的页数：

1. if __name__ == '__main__':
2.     url = 'https://rrbook.net/all.html'
3.     page = 3
4.     spider = NovelSpider(url, page)
5.     spider.page_turning()

复制代码

源代码如下：

1. import requests
2. from bs4 import BeautifulSoup
3. import pandas as pdclass NovelSpider:
4.     """
5.     全书网小说爬虫爬取小说名称
6.     """
7.     def __init__(self, url: str = None, page: int = 2):
8.         self.url = url
9.         self.headers = {
10.             'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60'
11.         }
12.         self.page = page    def get_novel(self, url: str):        """获取文章信息的方法"""        try:            response = requests.get(url, headers=self.headers)            response.encoding = 'utf-8'            soup = BeautifulSoup(response.text, 'lxml')            novel_list = []            dl_tag = soup.find_all('dl')            for dl in dl_tag:                # 获取小说名称                a_title_tag = dl.find('a', class_="bigpic-book-name")                title = a_title_tag.text if a_title_tag.text else ""                # 获取小说作者                a_author_tag = dl.find('a', href=lambda href: href and '/search/' in href)                author = a_author_tag.text if a_author_tag.text else ""                # 获取小说的类别                a_type_tag = dl.find('a', href=lambda href: href and '/lists/' in href)                type_ = a_type_tag.text if a_type_tag.text else ""                if title and author and type_:                    novel_list.append([title, author, type_])            return novel_list        except requests.RequestException as e:            print(f'请求出现 {e} 错误！！！')        except Exception as e:            print(f'出现{e}错误！！！')    def save_to_excel(self, data):        """将爬取到的数据保存至本地excel表格"""        df = pd.DataFrame(data, columns=['小说', '作者', '类别'])        df.to_excel('novel_information.xlsx', index=False)        print(f"保存成功!!!")    def page_turning(self):        """实现自动翻页"""        if not self.url:            print("未提供有效的 URL，请检查输入。")            return        print(f"正在保存......")        novel_result = []        for i in range(1, self.page):            base_url = f'{self.url}?page={i}'            novel = self.get_novel(base_url)            novel_result.extend(novel)        self.save_to_excel(novel_result)if __name__ == '__main__':    url = 'https://rrbook.net/all.html'    page = 3  # 想爬多少页可以自己选    spider = NovelSpider(url, page)    spider.page_turning()

复制代码

效果展示：
爬取10页：

优化后的代码：

1. import requests
2. from bs4 import BeautifulSoup
3. import pandas as pddef get_tag_text(tag):    """辅助函数：获取标签文本，若标签不存在则返回空字符串"""    return tag.text if tag else ""class NovelSpider:
4.     """
5.     全书网小说爬虫爬取小说名称
6.     """
7.     def __init__(self, url: str = None, page: int = 2):
8.         self.url = url
9.         self.headers = {
10.             'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60'
11.         }
12.         self.page = page    def get_novel(self, url: str) -> list[tuple[str, str, str]]:        try:            response = requests.get(url, headers=self.headers)            response.raise_for_status()            response.encoding = 'utf-8'            soup = BeautifulSoup(response.text, 'lxml')            return [                (get_tag_text(dl.find('a', class_="bigpic-book-name")),                 get_tag_text(dl.find('a', href=lambda href: href and '/search/' in href)),                 get_tag_text(dl.find('a', href=lambda href: href and '/lists/' in href)))                for dl in soup.find_all('dl')                if get_tag_text(dl.find('a', class_="bigpic-book-name"))                   and get_tag_text(dl.find('a', href=lambda href: href and '/search/' in href))                   and get_tag_text(dl.find('a', href=lambda href: href and '/lists/' in href))            ]        except requests.RequestException as e:            print(f'请求出现 {e} 错误！！！')        except Exception as e:            print(f'出现 {e} 错误！！！')        return []    def save_to_excel(self, data: list[tuple[str, str, str]]):        """将爬取到的数据保存至本地excel表格"""        df = pd.DataFrame(data, columns=['小说', '作者', '类别'])        df.to_excel('novel_information.xlsx', index=False)        print("保存成功!!!")    def page_turning(self):        """实现自动翻页"""        if not self.url:            print("未提供有效的 URL，请检查输入。")            return        print("正在保存......")        novel_result = [novel for i in range(1, self.page)                        for novel in self.get_novel(f'{self.url}?page={i}')]        self.save_to_excel(novel_result)if __name__ == '__main__':    url = 'https://rrbook.net/all.html'    page = 11    spider = NovelSpider(url, page)    spider.page_turning()

复制代码

优化点说明：
1.辅助函数：定义了 get_tag_text 辅助函数，避免代码中重复出现获取标签文本的逻辑，提高代码复用性。
2.列表推导式： 在 get_novel 方法中，使用列表推导式替代传统的 for 循环，使代码更简洁。 在 page_turning 方法中，同样使用列表推导式来合并各页的小说数据。
3.异常处理细化：在 get_novel 方法中，将 requests 请求异常单独处理，这样能更清晰地定位问题。
4.参数类型提示：为 save_to_excel 方法的参数添加类型提示，增强代码可读性。
5.URL 有效性检查：在 page_turning 方法中添加了对 url 是否有效的检查，避免无效请求。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！