Python爬取晉江VIP文

本文將從多個方面詳細闡述如何使用Python爬取晉江文學城中的VIP文。

一、環境準備

在開始爬取之前，我們需要準備好Python以及相關依賴庫。以下是主要的依賴庫：

import requests
from bs4 import BeautifulSoup
import re
import time
import random

其中，requests庫用於向網站發起請求，BeautifulSoup庫用於解析網頁的HTML代碼，re庫用於正則表達式匹配，time庫和random庫用於控制程序運行的間隔和隨機數生成。

二、爬取VIP文列表

在晉江文學城中，我們可以通過以下鏈接來獲取VIP文列表：http://vipreader.qidian.com/chapter/1004608738/434555247

為了模擬用戶訪問，我們需要在請求中添加User-Agent頭部，並且設置一個間隔時間以及隨機數，用於防止被網站屏蔽。

url = 'http://vipreader.qidian.com/chapter/1004608738/434555247'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'
}

response = requests.get(url, headers=headers)
html = response.content.decode('utf-8')

time.sleep(random.uniform(0.5, 2.0))

接下來，我們可以使用BeautifulSoup庫解析html代碼，找到VIP文列表所在的元素，並且將其信息保存下來。

soup = BeautifulSoup(html, 'html.parser')

novel_list = []
for item in soup.find_all('div', {'class': 'groupWrap'}):
    novel = {
        'name': item.find('div', {'class': 'groupTitle'}).text,
        'url': item.find('a').get('href'),
        'author': item.find('a', {'class': 'writer-name'}).text,
        'category': item.find('div', {'class': 'groupType'}).text,
        'introduction': item.find('div', {'class': 'groupContent'}).text.strip(),
    }
    novel_list.append(novel)

這樣，我們就成功地獲取了VIP文列表的信息，並且保存在novel_list中。

三、爬取VIP章節內容

對於每一個VIP文，我們可以通過其url獲取其章節信息。以下是獲取章節信息的代碼：

def get_chapter_content(url):
    response = requests.get(url, headers=headers)
    html = response.content.decode('utf-8')

    time.sleep(random.uniform(0.5, 2.0))

    soup = BeautifulSoup(html, 'html.parser')

    content = soup.find('div', {'class': 'read-content j_readContent'}).text.strip()
    title = soup.find('h3', {'class': 'j_chapterName'}).text.strip()

    return title, content

其中，我們使用了一個叫做get_chapter_content的函數來獲取每一個章節的標題和內容。在函數中，我們先發送一個請求，然後解析返回的html代碼，找到章節標題和內容所在的元素，並且將其文本內容提取出來。

四、存儲數據

最後，我們將獲取到的VIP文信息和章節內容保存到數據庫或者本地文件中。以下是將數據存儲到本地文件中的代碼：

with open('novel_list.txt', 'a', encoding='utf-8') as f:
    for novel in novel_list:
        f.write('小說名稱：{}\n作者：{}\n分類：{}\n簡介：{}\n鏈接：{}\n\n'.format(
            novel['name'], novel['author'], novel['category'], novel['introduction'], novel['url']))

with open('chapter_content.txt', 'a', encoding='utf-8') as f:
    for novel in novel_list:
        for i, chapter in enumerate(chapters[novel['url']]):
            title, content = get_chapter_content(chapter['url'])
            f.write('小說名稱：{}    章節標題：{}    序號：{}\n內容：{}\n\n'.format(
                novel['name'], title, i+1, content))

我們將VIP文列表信息保存到novel_list.txt文件中，將每一個章節的標題、內容、所屬小說名稱以及序號保存到chapter_content.txt文件中。

五、總結

本文詳細闡述了如何使用Python爬取晉江文學城中的VIP文。我們通過訪問VIP文列錶鏈接來獲取VIP文的基本信息，然後通過VIP文鏈接獲取每個章節的內容。最後，我們將獲取到的數據保存到本地文件中。