学习python爬取小说文本,爬下来的全是乱码,找半天也没找出问题所在
第一回·å®′桃å›-è±a杰三结ä1‰ 斩黄巾英雄é|–立功 爬取成功!!!
第äoŒå›žÂ·å¼ 翼德怒éž-督邮 何国舅谋èˉ›å®|ç«– 爬取成功!!!
第三回·议温明è‘£卓叱丁原 é|ˆé‡‘ç æŽè‚ƒèˉ′吕布 爬取成功!!!
第四回·åoŸæ±‰å¸é™ˆç•™è·μ位 è°‹è‘£è′¼å-Ÿå¾·çŒ®åˆ€ 爬取成功!!!
第äo”回·发矫èˉèˉ¸é•‡åo”æ›1å…¬ ç ′å…3å…μ三英战吕布 爬取成功!!!
[Python] 纯文本查看 复制代码 import requests
from bs4 import BeautifulSoup
# 爬取诗词网中的三国演义小说所有的章节和内容
if __name__ == "__main__":
# 对首页的页面数据进行爬取
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'
}
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url, headers=headers).text
# print(page_text)
# 在首页中解析出章节的标题和详情页的url
# 1.实例化BeautifulSoup对象,需要将页面源码数据加载到该对象中
soup = BeautifulSoup(page_text, 'lxml')
# 2.解析章节标题和详情页的url
li_list = soup.select('.book-mulu>ul>li')
fp = open('./sanguo.txt', 'w', encoding="UTF-8")
for li in li_list:
title = li.a.string
detail_url = 'https://www.shicimingju.com/' + li.a['href']
# 对详情页发起请求,解析出章节内容
detail_page_text = requests.get(url=detail_url, headers=headers).text
# 解析出详情页中的相关章节内容
detail_soup = BeautifulSoup(detail_page_text, 'lxml')
div_tag = detail_soup.find('div', class_='chapter_content')
# 解析到了章节内容
content = div_tag.text
fp.write(title + ':' + content + '\n')
print(title, '爬取成功!!!') |