网页文字爬取，以爬取整本书籍为例。
一、步骤
①首先，获取目录页的h1（小说名）作为文件夹名并创建文件夹。
#设置存储文件夹
FName = text1.findAll('h1')[1].text
if not os.path.exists(FName):
os.mkdir(FName)②通过要获取小说的目录页，爬取每个章节的链接
#目录下各章节链接获取
t = '<a style="" href="https://blog.csdn.net/(.*?)">'
AllUrl= re.findall(t, response.text)③获取每个章节下的文字。章节名作为存储的txt名，并把对应文字存入。
注意：txt存储存在文件名存在格式问题。故：
#判断存储文件名类型，去除不符合条件文件名
for NoName in ["?","/","~","*","<",">",":","|"]:
if(fileName[-1]==NoName):
fileName=fileName[0:len(fileName)-1]二、完整代码
import requests
import re
from bs4 import BeautifulSoup
import os
dicF=input("请输入需要下载书籍目录："+"\n")
headers = {
'User-Agent': 'Mozilla/5.0 (
扫一扫
2162
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
