# 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：**
```python3
import requests
from bs4 import BeautifulSoup
import pandas as pd
```
**b.这里我就编写一个爬虫类NovelSpider了：**
```python3
class NovelSpider:
"""
全书网小说爬虫爬取小说名称
"""
def __init__(self, url: str = None, page: int = 2):
self.url = url
self.headers = {
'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'
}
self.page = page
```
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：**
```python3
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 Exception as e:
print(f'出现{e}错误！！！')
```
>
>
> 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：**
```python
try:xxx
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！！！')
```
**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：
```html
-
- 能看见光的人
念长素 | 其他 | 连载中
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...
41.05 万字 | 2024-06-07 20:23更新
```
我们要遍历网页中的所有dl标签：
```python
dl_tag = soup.find_all('dl')
```
\*小说名称对应的a标签如下：
`
能看见光的人`
且具有属性：
*class="bigpic-book-name"*
\*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：
```python3
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 ""
```
```bash
a_author_tag = dl.find('a', href=lambda href: href and '/search/' in href)
```
>
>
> 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：
```python
if title and author and type_:
novel_list.append([title, author, type_])
```
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：**
```python
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!!!")
```
**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：
```python
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)
```
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：
```python
if __name__ == '__main__':
url = 'https://rrbook.net/all.html'
page = 3
spider = NovelSpider(url, page)
spider.page_turning()
```
**源代码如下：**
```python
import requests
from bs4 import BeautifulSoup
import pandas as pd
class NovelSpider:
"""
全书网小说爬虫爬取小说名称
"""
def __init__(self, url: str = None, page: int = 2):
self.url = url
self.headers = {
'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'
}
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()
```
效果展示：
爬取10页：
***优化后的代码：***
```python
import requests
from bs4 import BeautifulSoup
import pandas as pd
def 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:
"""
全书网小说爬虫爬取小说名称
"""
def __init__(self, url: str = None, page: int = 2):
self.url = url
self.headers = {
'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'
}
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()
```
>
>
> 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。
>