起点中文网爬虫
python3 起點中文網架空歷史小說爬蟲
嘗試爬取起點中文網的全部架空歷史小說的一些信息。
信息包括：小說網址、書名、作者、簡介、評分、評論數、字數。
首先去到起點的架空歷史小說排行的網頁：https://www.qidian.com/all?chanId=5&subCateId=22&orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page=1
第一步：解析頁面，獲取每本書的URL
去到排行的頁面后，我們右鍵檢查書名，可以看到這本書的URL。
我們通過requests.get()方法,獲取到網頁源碼，然后通過正則表達式，將書的每本的id提取出來，再拼湊成URL。
book_url就是每本書的id，按照網頁的格式拼湊成URL就好。
第二步：獲取總頁數
可以發現URL的page=1時為第一頁，現在顯示的總頁數為1016，讓我們把這個總頁數爬下來！
這個pageCount就是總的頁數啦，也就是目前表示的1016。
第三步：進入每本書的URL，爬取書的信息
進入每本書的URL之后，我們會看到這樣的界面
其中被紅色標注的就是要爬去的信息。
首先我們來獲取書的名字。還是老方法了，requests加正則。
同理，作者也這么獲取。
#獲取作者 import re import requests def book_authorname():url = 'https://book.qidian.com/info/1010136878'html = requests.get(url).textren = r"authorName: '(.*?)'"ren_autorname = re.compile(ren)authorname = ren_autorname.findall(html)authorname = ".".join(authorname)print("作者:" + authorname)return authorname book_authorname()然后是書的簡介，一樣的方法，不過要注意簡介里面有很多的標點符號，正則的時候需要注意。
簡單的搞定了，接下來遇到了第一個麻煩，書的評分是js傳值的，直接在網頁源碼中不能看到評分。
不會了，怎么辦？看看別人是怎么解決的~
我這里就不細說了，可以參考這位朋友的文章：https://blog.csdn.net/ridicuturing/article/details/81123587
貼我自己的代碼
評論數和評價一樣
#獲取評論數 def book_userCount(id):id = "".join(id)url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId=' + id + '&pageSize=15'rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r'"userCount":(.*?),'ren_symmary = re.compile(ren)userCount = ren_symmary.findall(html)userCount = ".".join(userCount)print("評論數:" + userCount)bookuserCount.append(userCount)return userCount解決了一個問題好開心~，然后遇到了更難的問題。。。。。。
起點設置了字體反爬，數字顯示為小方框，看不到字數，感覺真是日了狗了。
又遇到問題不會解決怎么辦？！繼續看別人怎么解決的！
終于找到了解決方法：
1.方框轉換成16進制的Unicode編碼：https://blog.csdn.net/qq_42336573/article/details/80698580
2.Unicode編碼通過字體映射成woff文件中的數字：https://blog.csdn.net/qq_35741999/article/details/82018049
看了這兩篇文章以后，知道了原因所在，原來網頁上顯示的數字用的是電腦沒有的字體，所以顯示不出來。
我們需要把表示數字的方框爬下來，然后通過這個woff文件將其轉為電腦能識別的數字。
我的代碼
需要的功能都寫好了，可以寫進數據庫啦。
db = pymysql.connect(host='localhost', port=3306, user='root', password='123', db='spider', charset='utf8')cursor = db.cursor()sql1 = "insert into bookspider(book_url,book_name,book_author,book_summary,book_id,book_rate,book_userCount,book_num) values ('%s','%s','%s','%s','%s','%s','%s','%s')" % (bookurl[0],bookname[0],bookauthor[0],booksummary[0],bookid[0],bookrate[0],bookuserCount[0],booknum[0])cursor.execute(sql1)db.commit()print("存入數據庫成功！")整體代碼
from urllib import request import re import time import pymysql import requests from pyquery import PyQuery as pq from fontTools.ttLib import TTFont from io import BytesIO#這些list都是存儲信息，為了之后導入數據庫 bookurl=[] bookname=[] bookauthor=[] booksummary=[] bookid=[] bookrate=[] bookuserCount=[] booknum=[]numlist=[] s="" book_url_list=[]#獲取總頁數 def get_page_Count(url):html = requests.get(url).textpageCount = re.compile(r'data-page="(.*?)"').findall(html)[-1]return pageCount#獲取書名 def book_name(url):rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r' <h1>.*?<em>(.*?)</em>'ren_name = re.compile(ren)name = ren_name.findall(html)name = ".".join(name)print("書名:"+name)bookname.append(name)return name#獲取作者 def book_authorname(url):rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r"authorName: '(.*?)'"ren_autorname = re.compile(ren)authorname = ren_autorname.findall(html)authorname = ".".join(authorname)print("作者:"+authorname)bookauthor.append(authorname)return authorname#獲取簡介 def book_summary(url):rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r'<div class="book-intro">\s+<p>\s+(.*?)\s+</p>' #[\u4e00-\u9fa5]ren_symmary = re.compile(ren)summary = ren_symmary.findall(html)summary = ".".join(summary)summary=re.sub('[^\u4e00-\u9fa51-9，。？！.、：；''"《》（）—]','',summary)print("簡介:"+summary)booksummary.append(summary)return summary#獲取評價 def book_rate(id):id = "".join(id)url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId='+id+'&pageSize=15'rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r'"rate":(.*?),'ren_symmary = re.compile(ren)rate = ren_symmary.findall(html)rate = ".".join(rate)print("評分:"+rate)bookrate.append(rate)return rate#獲取評論數 def book_userCount(id):id = "".join(id)url = 'https://book.qidian.com/ajax/comment/index?_csrfToken=nJO0N8zar6LMkYrhA9rwSTraUEIPhtcKkxyyF4mz&bookId=' + id + '&pageSize=15'rsp = request.urlopen(url)html = rsp.read()html = html.decode()ren = r'"userCount":(.*?),'ren_symmary = re.compile(ren)userCount = ren_symmary.findall(html)userCount = ".".join(userCount)print("評論數:" + userCount)bookuserCount.append(userCount)return userCount#獲取每頁的書的id def book_list(i):url = "https://www.qidian.com/all?chanId=5&subCateId=22&orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page=" + str(i)# 打開相應url并把頁面作為返回rsp = request.urlopen(url)# 按住Ctrl鍵不送，同時點擊urlopen，可以查看文檔，有函數的具體參數和使用方法# 把返回結果讀取出來html = rsp.read()# 解碼html = html.decode()print(html)ren = r' <h4><a href="//book.qidian.com/info/(.*?)"'ren_url = re.compile(ren)book_url = ren_url.findall(html)return book_url#獲取woff文件 def get_woff_previous(id):id = "".join(id)start_url = "https://book.qidian.com/info/" + idresponse = requests.get(start_url).textdoc = pq(response)doc = doc.text()a = re.compile(r'(.*?).woff').findall(doc)[0]font = re.compile(r'\w+').findall(a)[4]return font#得到字體的十六進制碼 def get_code(id):id = "".join(id)start_url = "https://book.qidian.com/info/" + idresponse = requests.get(start_url).textdoc = pq(response)doc = doc.text()num = re.compile(r'(.*?)萬字').findall(doc)[0]for i in num:numlist.append(ord(i))return numlist#得到字體 def get_font():url = "https://qidian.gtimg.com/qd_anti_spider/" + get_woff_previous(id) + ".woff"response = requests.get(url)font = TTFont(BytesIO(response.content))cmap = font.getBestCmap()font.close()return cmap#字體轉碼 def get_encode(cmap, values):WORD_MAP = {'zero': '0', 'one': '1', 'two': '2', 'three': '3', 'four': '4', 'five': '5', 'six': '6', 'seven': '7','eight': '8', 'nine': '9', 'period': '.'}word_count = ''for value in values:key = cmap[int(value)]word_count += WORD_MAP[key]return word_count#獲取書的字數 def get_num():for i in get_code(id):global s,numlists = s + "&#" + str(i) + ";"s = re.compile(r'[0-9]+').findall(s)cmap = get_font()word_count = get_encode(cmap, s)booknum.append(word_count)print("字數:" + word_count + "萬字")s = ""numlist=[]# 使用urllib.request請求一個網頁的內容，并把內容打印出來 if __name__ == '__main__':# 定義需要爬的頁面page_url = 'https://www.qidian.com/all?chanId=5&subCateId=22'page_Count = int(get_page_Count(page_url))for i in range(1,page_Count):for j in book_list(i):url = 'https://book.qidian.com/info/'+jprint(url) #打印網址bookurl.append(url)book_name(url)book_authorname(url)book_summary(url)id = re.compile(r'[0-9]+').findall(url)print("編號:" + "".join(id))bookid.append("".join(id))book_rate(id)book_userCount(id)get_num()#數據庫db = pymysql.connect(host='localhost', port=3306, user='root', password='123', db='spider', charset='utf8')cursor = db.cursor()sql1 = "insert into bookspider(book_url,book_name,book_author,book_summary,book_id,book_rate,book_userCount,book_num) values ('%s','%s','%s','%s','%s','%s','%s','%s')" % (bookurl[0],bookname[0],bookauthor[0],booksummary[0],bookid[0],bookrate[0],bookuserCount[0],booknum[0])cursor.execute(sql1)db.commit()print("存入數據庫成功！")print() #空格bookurl = []bookname = []bookauthor = []booksummary = []bookid = []bookrate = []bookuserCount = []booknum = []#time.sleep(10) #時間間隔，最好加上
最后，這次終于是自己獨立的徹徹底底的完成一次爬蟲，前后一共花費了兩天的時間，唉，實在是太差了。。。不過這次的收獲還是很大的！特別是對于反爬這方面，了解很多知識。其次是requests庫，這次還是第一次用，之前都是用urllib的，所以代碼里有些是requests有些是uillib，感覺requests還是方便多了。還有字體映射那部分，其實還是不怎么懂怎么寫出來的，不過還好會用。這個簡單的爬蟲還是有很多需要改進的地方，try-catch還沒加，實時功能也沒寫，也不是分布式，還有很長的路要走呀~
如果有人看到這篇文章發現有不理解的地方，問我吧，雖然我也不一定能解答出哈哈哈哈~
對于不會解決的問題，網上多查查，肯定有很多人在自己之前就踩過坑了。肯定能找到解決的方法的，別放棄！
總結
- 上一篇： java程序自动重启_让Java程序自动
- 下一篇： 漏洞分析---关于OpenSSL“心脏出