摘要：紀(jì)念我的第一個(gè)爬蟲程序，一共寫了三個(gè)白天，其中有兩個(gè)上午沒有看，中途遇到了各種奇怪的問題，伴隨著他們的解決，對于一些基本的操作也弄清楚了。我這個(gè)程序想要獲取的是劍來小說，把各個(gè)章節(jié)的內(nèi)容爬去下載存儲(chǔ)到文件里。

紀(jì)念我的第一個(gè)爬蟲程序，一共寫了三個(gè)白天，其中有兩個(gè)上午沒有看，中途遇到了各種奇怪的問題，伴隨著他們的解決，對于一些基本的操作也弄清楚了。果然，對于這些東西的最號(hào)的學(xué)習(xí)方式，就是在使用中學(xué)習(xí)，通過解決問題的方式來搞定這些知識(shí)。按需索取，才能更有針對性。

大體記錄下整個(gè)過程。

出于對于python的熱愛，想要嘗試一些練手的項(xiàng)目，但是不論是看書，還是直接嘗試別人的項(xiàng)目，到最后都會(huì)淪為不停地復(fù)制粘貼...最實(shí)際的就是自己來上手親自寫代碼。思路都是一樣的，但是具體的實(shí)現(xiàn)還得靠自己。

以前的復(fù)制粘貼給我的幫助也就是告訴了我大致的流程。

目標(biāo)網(wǎng)址是關(guān)鍵。我夢想中的爬蟲是那種偏向于更智能的，直接給他一個(gè)想要獲取的關(guān)鍵詞，一步步的流程直接自己完成，可以自己給定范圍，也可以直接爬取整個(gè)互聯(lián)網(wǎng)或者更實(shí)際的就是整個(gè)百度上的內(nèi)容，但是，目前就我而言，見到的爬蟲，都是給定目標(biāo)網(wǎng)址，通過目標(biāo)頁面上的內(nèi)容進(jìn)一步執(zhí)行規(guī)定的操作，所以現(xiàn)在來看，我們在寫爬蟲之前，需要確定一個(gè)基準(zhǔn)頁面，這個(gè)是需要我們事先制定的。在考慮我們需要程序完成怎樣的功能，獲取頁面文本還是相關(guān)鏈接內(nèi)容還是其他的目的。

我這個(gè)程序想要獲取的是《劍來》小說，把各個(gè)章節(jié)的內(nèi)容爬去下載存儲(chǔ)到文件里。

編程只是實(shí)現(xiàn)目的的工具。

所以重點(diǎn)是分析我們的需求。

獲取小說目錄頁面是基本。這里有各個(gè)章節(jié)的鏈接，標(biāo)題等等內(nèi)容。這是我們需要的。

有了各個(gè)章節(jié)的鏈接，就需要進(jìn)入其中獲得各個(gè)章節(jié)的內(nèi)容。

所以，我們需要獲得頁面內(nèi)容，需要從中獲得目標(biāo)內(nèi)容。

所以使用 urllib.request，re 庫。

前者用來獲得網(wǎng)頁內(nèi)容，后者獲得目標(biāo)信息。

直接使用urllib.request的urlopen()，read()方法是會(huì)報(bào)類似以下的錯(cuò)誤（這里是網(wǎng)上查找過來的，都是類似的）：

raise HTTPError(req.get_full_url(), code, msg, hdrs, fp)
HTTPError: HTTP Error 403: Forbidden

出現(xiàn)urllib2.HTTPError: HTTP Error 403: Forbidden錯(cuò)誤是由于網(wǎng)站禁止爬蟲，可以在請求加上頭信息，偽裝成瀏覽器。

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0"}
request = url_req.Request(url, headers=headers)
response = url_req.urlopen(request, data=None, timeout=3)
html = response.read().decode("GBK")

注意：這里存在兩個(gè)容易出問題的地方。

編碼：編碼問題是使用爬蟲中有時(shí)候會(huì)很頭痛的問題，由于網(wǎng)頁源代碼編碼格式不明確，所以這里嘗試了許久。

使用chardet庫的detect()方法可以檢測字節(jié)字符串的編碼。所以直接檢測這里的html(先不要解碼)。輸出的是GB2312，但是在后面頁面的爬取中，會(huì)出現(xiàn)提示有的字符的編碼異常，所以這里采取了比其范圍更廣的中文字符集GBK，解決了這個(gè)問題。

設(shè)置超時(shí)范圍：由于頻繁的獲取網(wǎng)頁內(nèi)容，目標(biāo)網(wǎng)站有時(shí)候會(huì)出現(xiàn)沒有響應(yīng)的問題。

（這個(gè)問題可以見我在CSDN上的提問：關(guān)于python爬蟲程序中途停止的問題）

于是我采取了捕獲 urlopen()的socket.timeout異常，并在出現(xiàn)異常的時(shí)候再循環(huán)訪問，直到獲得目標(biāo)頁面。

這里使用的是正則表達(dá)式。re模塊。這里的使用并不復(fù)雜。

首先需要一個(gè)模式字符串。以re.I指定忽略大小寫，編譯后的對象擁有本身匹配的方法，這里使用的是findall()，返回一個(gè)所有結(jié)果組成的列表?？梢约皶r(shí)返回輸出其內(nèi)容，進(jìn)而選擇合適的部分進(jìn)行處理。

python 正則表達(dá)式

通過查看相關(guān)的符號(hào)，這里使用(.+?)來實(shí)現(xiàn)匹配非貪婪模式(盡量少的)下任意無限字符，對之使用()，進(jìn)而匹配括號(hào)內(nèi)的模式。

使用with open() as file:，進(jìn)而可以處理文件。并且可以自動(dòng)執(zhí)行打開和關(guān)閉文件，更為便捷安全。

with open(findall_title[0] + ".txt", "w+", encoding="utf-8") as open_file:

這里也要注意編碼的問題，指定utf-8。會(huì)避免一些問題。

這里使用w+模式，追加寫文件。

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 11 16:31:42 2017
@author: lart
"""

import urllib.request as url_req
import re, socket, time


def r_o_html(url):
    print("r_o_html begin")

    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0"}

    request = url_req.Request(url, headers=headers)

    NET_STATUS = False
    while not NET_STATUS:
        try:
            response = url_req.urlopen(request, data=None, timeout=3)
            html = response.read().decode("GBK")
            print("NET_STATUS is good")
            print("r_o_html end")
            return html
        except socket.timeout:
            print("NET_STATUS is not good")
            NET_STATUS = False

def re_findall(re_string, operation, html):

    print("re_findall begin")
    pattern = re.compile(re_string, re.I)

    if operation == "findall":
        result = pattern.findall(html)
    else:
        print("this operation is invalid")
        exit(-1)

    print("re_findall end")
    return result


if __name__ == "__main__":
    url_base = "http://www.7kankan.la/book/1/"

    html = r_o_html(url_base)

    findall_title = re_findall(r"", "findall", html)

    findall_chapter = re_findall(r"
", "findall", html)

    with open(findall_title[0] + ".txt", "w+", encoding="utf-8") as open_file:
        print("article文件打開", findall_chapter)
        for i in range(len(findall_chapter)):
            print("第" + str(i) + "章")

            open_file.write("

	" + findall_chapter[i][1] + "
 --------------------------------------------------------------------- 
")

            url_chapter = url_base + findall_chapter[i][0]

            html_chapter = r_o_html(url_chapter)

            findall_article = re_findall(r"    (.+?)
", "findall", html_chapter)

            findall_article_next = findall_chapter[i][0].replace(".html", "_2.html")

            url_nextchapter = url_base + findall_article_next

            html_nextchapter = r_o_html(url_nextchapter)

            if html_nextchapter:
                findall_article.extend(re_findall(r"    (.+?)
", "findall", html_nextchapter))

                for text in findall_article:
                    open_file.write(text + "
")

            time.sleep(1)

    print("文件寫入完畢")