star0angel 发表于 2024-5-16 11:07

顶点小说搜索爬取

本帖最后由 star0angel 于 2024-5-17 08:24 编辑

刚刚学爬虫代码仅作为研究学习使用请勿滥用
感觉代码很冗余尤其是分页下载的怎么优化 协程里面不能用递归吗

刚刚看了下载会有编程错误的问题是因为网页本身有些特殊字符识别不出来 忽略就可以了
成品就不放了源码运行就可以了仅做学习研究使用 请勿滥用
已经加入打包成一个txt功能和失败重试下载 (最多5次)至于有些朋友说章节少页我试过没有遇到过所有不知道咋弄哈哈

import asyncio
import os.path
import aiohttp
import aiofiles
import requests
from lxml import etree
from urllib.parse import urljoin

# 小说下载器,基于异步IO和aiohttp库用于合成网址
main_url = 'https://www.23wxx.cc/'


async def download(down_url, file_name):
    """
    异步下载小说章节并保存到文件。

    :param down_url: 章节内容的URL
    :param file_name: 保存章节内容的文件名(包含路径)
    """
    headers = {
      # 翻页的cookie需要从随便一个翻页获取
      'Cookie': 'waf_sc=5889647726; novel_3341=1254203%7C1715791397; novel_5992=894457%7C1715795498; Hm_lvt_214c2a461550c6e33904c2abd04c890a=1715787170,1715819564; novel_5177=966743%7C1715821321; Hm_lpvt_214c2a461550c6e33904c2abd04c890a=1715821317',
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0',
      'Referer': down_url
    }

    for i in range(5):
      try:
            async with aiohttp.ClientSession() as session:
                async with session.get(down_url, headers=headers) as response:

                  content = await response.text(encoding='utf-8',errors='ignore')
                  # content.decode('utf-8', errors='ignore')# 忽略错误字节
                  # 获取响应的Cookie
                  response_cookies = response.cookies
                  # 更新Cookie 否则有下一页会下载失败
                  cookie_str = "; ".join()
                  headers['Cookie'] = cookie_str

                  tree = etree.HTML(content)
                  texts = tree.xpath('//div[@id="content"]/p//text()')[:-1]
                  next_characters = tree.xpath('//a[@id="A3"]//text()')
                  if next_characters:
                        next_url = urljoin(main_url, tree.xpath('//a[@id="A3"]//@href'))

                  texts = ''.join(texts)

                  async with aiofiles.open(file_name, 'w', encoding='utf-8') as f:
                        await f.write(file_name+'\n'+texts)
            if next_characters != '下一页':
                break
            while next_characters == '下一页':
                """
                如果存在下一页,则继续下载。
                """
                down_url = next_url

                async with aiohttp.ClientSession() as session:
                  async with session.get(down_url, headers=headers) as response:
                        content = await response.text(encoding='utf-8', errors='ignore')
                        # print(response.url)
                        tree = etree.HTML(content)
                        texts = tree.xpath('//div[@id="content"]/p//text()')[:-1]
                        next_characters = tree.xpath('//a[@id="A3"]//text()')

                        if next_characters:
                            next_url = urljoin(main_url, tree.xpath('//a[@id="A3"]//@href'))

                        texts = ''.join(texts)
                        async with aiofiles.open(file_name, 'a', encoding='utf-8') as f:
                            await f.write(texts)

            print(f'{file_name}下载完成')
            break
      except Exception as e:
            print(f'{file_name}下载失败,正在重新下载:{e}')


async def main(lst_info, name):
    """
    主函数,用于处理小说的下载任务。

    :param lst_info: 包含小说章节信息的列表
    :param name: 小说名称,用于保存文件
    """
    if not os.path.exists(name):
      os.makedirs(name)
    num = 1
    tasks = []
    for info in lst_info[:]:
      down_url = info['chapter_url']
      chapter_name = info['chapter_name']
      file_name = f'{name}/{num:04}-{chapter_name}.txt'
      file_name = file_name.replace(' ', '').strip().replace('*', '')# * 号不能用于文件名 避免报错
      num += 1
      tasks.append(asyncio.create_task(download(down_url, file_name)))
    await asyncio.gather(*tasks)


def main_search():
    while True:
      url = 'https://www.23wxx.cc/search.html'
      headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0',
            'Cookie': 'waf_sc=5889647726; Hm_lvt_214c2a461550c6e33904c2abd04c890a=1715787170; Hm_lpvt_214c2a461550c6e33904c2abd04c890a=1715787479',
            'Referer': 'https://www.23wxx.cc/search/804/1.html'
      }
      # 用户输入小说名称,输入q退出
      name = input('请输入小说名,输入q退出:')
      if name == 'q':
            break
      else:
            # 发送POST请求搜索小说
            data = {
                'searchtype': 'all',
                'searchkey': name
            }
            res = requests.post(url, data=data, headers=headers)

            # 更新Referer为搜索结果页面的URL
            # headers['Referer'] = str(res.url)

            # 解析搜索结果页面
            tree = etree.HTML(res.text)
            dls = tree.xpath('//div[//div[@id="sitembox"]]/dl')
            if len(dls) == 0:
                print('没有找到小说')
                continue
            else:
                # 打印搜索到的小说信息
                lst = []
                num = 1
                for dl in dls:
                  title = dl.xpath('./dd//a//text()')
                  info = dl.xpath('./dd//text()')
                  info = ' '.join(info).strip()
                  url = dl.xpath('./dd//a/@href')
                  url = urljoin(main_url, url)
                  print(num, title, info)
                  lst_info =
                  lst.append(lst_info[:])
                  num += 1

                # 用户输入要下载的小说序号
                num = input('请输入你想下载的小说序号:')
                if num.isdigit() and 0 < int(num) <= len(lst):
                  # 发送GET请求获取小说详情页面
                  resp = requests.get(lst, headers=headers)
                  headers['Referer'] = str(resp.url)
                  # 解析小说详情页面,获取章节信息
                  tree_child = etree.HTML(resp.text)
                  dds = tree_child.xpath('//div[@id="list"]/dl/dd')
                  new_lst_info = []
                  new_title = lst.strip().replace(' ', '')
                  # print(new_title)
                  for dd in dds:
                        chapter_name = dd.xpath('./a//text()').replace(' ', '-')
                        chapter_url = dd.xpath('./a/@href')
                        chapter_url = urljoin(main_url, chapter_url)
                        chapter_url = chapter_url.replace('.html ', '_1.html')
                        dict = {
                            'chapter_name': chapter_name,
                            'chapter_url': chapter_url
                        }
                        new_lst_info.append(dict)

                  # 下载小说章节
                  # now = time.time()
                  asyncio.run(main(new_lst_info, new_title))
                  # print('下载完成', time.time() - now)
                  if not os.path.exists(new_title):
                        print("文件不存在")
                  else:
                        list_path = os.listdir(new_title)
                        print(list_path)
                        with open(new_title + "/" + f"{new_title}.txt", "w", encoding="utf-8") as f:
                            for i in list_path:
                              with open(new_title + "/" + i, "r", encoding="utf-8") as f1:
                                    f.write(f1.read() + '\n')
                        print(f"{new_title}合并完成")


if __name__ == '__main__':
    # 小说搜索和下载器
    # 该程序循环搜索指定小说名称,并下载用户选择的小说章节
    main_search()

star0angel 发表于 2024-5-17 08:45

zrz444 发表于 2024-5-17 08:25
再出个成品啊。大神。

我是纯小白刚刚学习https://star0angel.lanzouw.com/iHRXE1yz031a
密码:axbv   仅做学习研究用请勿滥用

star0angel 发表于 2024-5-16 11:24

restiger 发表于 2024-5-16 11:19
感谢分享,但是纯在问题,希望改进

貌似有些小说章节编码不一样我这下载没有超时的不知道为啥其他小说我试了好像没啥毛病

restiger 发表于 2024-5-16 11:19

感谢分享,但是纯在问题,希望改进

HK仅輝 发表于 2024-5-16 11:47

大佬,可以写一个爬取起点的吗:lol

user1997 发表于 2024-5-16 11:58

感谢分享

star0angel 发表于 2024-5-16 11:58

HK仅輝 发表于 2024-5-16 11:47
大佬,可以写一个爬取起点的吗

我是新手我也想啊这太超出我实力范围了

桃花笑 发表于 2024-5-16 12:10

这个可以啊

huimenger 发表于 2024-5-16 12:16

感谢分享

rufan321 发表于 2024-5-16 13:05

有没有七猫小说的呀

abc023119 发表于 2024-5-16 13:10

谢谢分享啊 已下载
页: [1] 2 3 4
查看完整版本: 顶点小说搜索爬取