Python利用无头浏览器爬虫爬取笔趣阁小说教程

admin · 发表于 2024-12-14 11:47:18

Python利用无头浏览器爬虫爬取笔趣阁小说教程
前言

用户有需求，需要将笔趣阁的小说便捷的保存为文档到本地，幽络源站长初步了解笔趣阁，发现有反爬措施，小说内容为JS动态生成的，Python的requests库与requests_html已无法满足此需求，因此使用类似selenium但非selenium的无头浏览器爬虫针对笔趣阁实现小说爬取。

教程步骤

1.下载安装chromium

2.明确chromium默认安装路径

3.编写代码

4.明白爬取参数与注意事项

5.开始爬取

6.查看结果

步骤1.下载安装chromium

下载方式一：官网下载 -> Chromiun下载链接

下载方式二：夸克网盘下载保存 -> chromium下载器

下载后，直接双击安装器完成安装即可，如图

Python利用无头浏览器爬虫爬取笔趣阁小说教程

步骤2.明确chromium默认安装路径

安装后，需要明白默认安装的位置，因为代码中会用到，我的电脑用户名为AW，因此被安装在了如下路径，如图

C:UsersAWAppDataLocalChromiumApplicationchrome.exe

Python利用无头浏览器爬虫爬取笔趣阁小说教程

步骤3.编写代码

这段代码中用到的库主要为pyppteer、python-docx，这两个库需额外下载

最终代码如下

import asyncio
import os
from docx import Document
from pyppeteer import launch
# 禁用自动下载 Chromium
os.environ["PYPPETEER_SKIP_CHROMIUM_DOWNLOAD"] = "true"
async def main():
# word名称
wordName = "宿命之环1~3章.docx"
# 笔趣阁域名
netName = "https://www.22biqu.com"
# 指定起始页的链接
firstPagePath = "/biqu5251/5259122.html"
# 指定结束页的链接，不要指定的太远，因为字数太多，打开word很卡的
endPagePath= "/biqu5251/5259124.html"
# 要爬取的链接
catchUrl = netName + firstPagePath
# 页数，可参考
pageCount=0
# 结束标志
endFlag=False
while True:
try:
#尝试打开一个word
doc = Document(wordName)
except:
doc = Document()
# 启动浏览器，指定手动下载的 Chromium 路径
browser = await launch(executablePath=r'C:UsersAWAppDataLocalChromiumApplicationchrome.exe', headless=True)
# 创建新页面
page = await browser.newPage()
# 打开目标页面
await page.goto(catchUrl)
# 使用 querySelector 获取 h1 标签且 class 为 title 的元素
element = await page.querySelector('h1.title')
if element:
# 获取该元素的文本内容
text = await page.evaluate('(element) => element.innerText', element)
doc.add_heading(text, level=1)
else:
print('Element not found.')
# 使用 querySelector 获取 id="content" 元素
content_element = await page.querySelector('#content')
if content_element:
# 获取 content 下所有 p 标签的内容
paragraphs = await content_element.querySelectorAll('p')
for paragraph in paragraphs:
# 获取每个 p 标签的文本内容并输出
text = await page.evaluate('(p) => p.innerText', paragraph)
doc.add_paragraph(text)
else:
print('Content element not found.')
# 使用 querySelector 获取 id="next_url" 的元素
element = await page.querySelector('#next_url')
next_url=""
if element:
# 获取该元素的 href 属性
next_url = await page.evaluate('(element) => element.getAttribute("href")', element)
# 拼接下一页爬取的链接
catchUrl=netName+next_url
else:
print('Element not found.')
# 关闭浏览器
await browser.close()
# 保存word
doc.save(wordName)
if endFlag:
break
pageCount+=1
print("已完成页码"+str(pageCount))
if next_url==endPagePath:
print("匹配到结束链接:"+str(endPagePath))
print("即将结束")
endFlag=True
# 运行异步主函数
asyncio.run(main())