今天分享一个用Python来爬取小说的小脚本！（附源码）

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了今天分享一个用Python来爬取小说的小脚本！（附源码），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含14277字，纯文字阅读大概需要21分钟。

内容图文

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于大邓和他的Python ，作者：大邓

Python爬取知乎数据案例讲解视频

https://www.bilibili.com/video/BV1fz4y1Z7zz/

前言

问题链接

https://www.zhihu.com/question/432119474/answer/1597194524

爬虫设计流程

探寻网址规则尝试对某些网页访问解析学术的数据存储到csv整理汇总代码

1.探寻网址规则

1. 按F12键打开开发者工具，
2. 进入网络面板，点击查看全部6217个回答
3. 准备观察开发者工具中的监测到的网址
4. 对每个网址经过下图456操作
5. 点击预览
6. 查看内容与当前页面的回答是否一致
7. 最终发现网址如7中的红色方框，请求方式为GET方法

1. 依旧是7位于的页面，滑动到最下方，可以看到offset和limit

发现的网址（注意最后一行的偏移）

https://www.zhihu.com/api/v4/questions/432119474/answers?include=data%5B*%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%2Cpaid_info_content%3Bdata%5B*%5D.mark_infos%5B*%5D.url%3Bdata%5B*%5D.author.follower_count%2Cbadge%5B*%5D.topics%3Bsettings.table_of_content.enabled%3B&offset=3&limit=5&sort_by=default&platform=desktop

中也存在offset，该单词的意思是偏移量。

• offset我猜测该值数值页面页面数
• limit每个网址能展现多少个回答，至少5个。

网址模板（注意模板内最后一行偏移）

https://www.zhihu.com/api/v4/questions/432119474/answers?include=data%5B*%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%2Cpaid_info_content%3Bdata%5B*%5D.mark_infos%5B*%5D.url%3Bdata%5B*%5D.author.follower_count%2Cbadge%5B*%5D.topics%3Bsettings.table_of_content.enabled%3B&offset={offset}&limit=5&sort_by=default&platform=desktop

当前回答一共有6200多个，每页5个，那么offset可以有1240页。

2.尝试对某些网页访问

import?requests

template?=?'https://www.zhihu.com/api/v4/questions/432119474/answers?include=data%5B*%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%2Cpaid_info_content%3Bdata%5B*%5D.mark_infos%5B*%5D.url%3Bdata%5B*%5D.author.follower_count%2Cbadge%5B*%5D.topics%3Bsettings.table_of_content.enabled%3B&offset={offset}&limit=5&sort_by=default&platform=desktop'

#for?page?in?range(1,?1240):
????
url?=?template.format(offset=1)
????
headers?=?{'user-agent':?'Mozilla/5.0?(Macintosh;?Intel?Mac?OS?X?10_15_7)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/87.0.4280.67?Safari/537.36'}

resp?=?requests.get(url,?headers=headers)

resp

<Response [200]>

我们注意到5种数据可以展开，大概率是json样式的数据。

所以尝试使用resp.json（）来拿到格式化的字典数据。

3.解析研究的数据

由于resp.json（）返回的是字典，解析定位数据会很方便。

咱们就需求简单点，只采集作者，id，摘录三个变量。

其中作者内部含有很多更丰富的信息，研究的可以把作者再整理下，此处对作者不做过多清洗。

for?info?in?resp.json()['data']:
????author?=?info['author']
????Id?=?info['id']
????text?=?info['excerpt']
????data?=?{'author':?author,
????????????'id':?Id,
????????????'text':?text}
????print(data)

{'author': {'id': '10779c1a8b8de0b7f14bb6c217100680', 'url_token': 'da-mo-wang-81-18', 'name': '紧衣卫', 'avatar_url': 'https://pic2.zhimg.com/v2-ebdfa810ec26e81720b8bc14fc6c1d76_l.jpg?source=1940ef5c', 'avatar_url_template': 'https://pic3.zhimg.com/v2-ebdfa810ec26e81720b8bc14fc6c1d76.jpg?source=1940ef5c', 'is_org': False, 'type': 'people', 'url': 'https://www.zhihu.com/api/v4/people/10779c1a8b8de0b7f14bb6c217100680', 'user_type': 'people', 'headline': '梦想太大  心太执着', 'badge': [{'type': 'identity', 'description': '江苏省宝应县公安局 警察', 'topics': []}], 'badge_v2': {'title': '江苏省宝应县公安局 警察', 'merged_badges': [{'type': 'identity', 'detail_type': 'identity', 'title': '认证', 'description': '江苏省宝应县公安局 警察', 'url': 'https://www.zhihu.com/account/verification/intro', 'sources': [], 'icon': '', 'night_icon': ''}], 'detail_badges': [{'type': 'identity', 'detail_type': 'identity_people', 'title': '已认证的个人', 'description': '江苏省宝应县公安局 警察', 'url': 'https://www.zhihu.com/account/verification/intro', 'sources': [], 'icon': 'https://pic1.zhimg.com/v2-235258cecb8a0f184c4d38483cd6f6b6_l.png', 'night_icon': 'https://pic3.zhimg.com/v2-45e870b8f0982bcd7537ea4627afbd00_l.png'}], 'icon': 'https://pic4.zhimg.com/v2-235258cecb8a0f184c4d38483cd6f6b6_l.png', 'night_icon': 'https://pic3.zhimg.com/v2-45e870b8f0982bcd7537ea4627afbd00_l.png'}, 'gender': 1, 'is_advertiser': False, 'follower_count': 3914, 'is_followed': False, 'is_privacy': False}, 'id': 1597225705, 'text': '我也不喜欢过洋节，但我知道最起码的人情世故。俗话说出手不打笑脸人 阿姨是给你送巧克力，又不是给你送鹤顶红 如果内心不愿意接受就婉拒好了 这个有什么好举报的？即使阿姨真的是为了庆祝感恩节 你又想得到一个什么样的举报结果呢？据说举报人是个博士生，我看也别研究别的了，转方向先学习学习最基本的为人处事方法吧。'}
{'author': {'id': '09c8a026f91155c87188ee6e45301f05', 'url_token': 'cao-ling-er-36', 'name': '曹小灵', 'avatar_url': 'https://pic1.zhimg.com/v2-942365af26ff3abd44f6c75c9899306e_l.jpg?source=1940ef5c', 'avatar_url_template': 'https://pic2.zhimg.com/v2-942365af26ff3abd44f6c75c9899306e.jpg?source=1940ef5c', 'is_org': False, 'type': 'people', 'url': 'https://www.zhihu.com/api/v4/people/09c8a026f91155c87188ee6e45301f05', 'user_type': 'people', 'headline': '伪商业分析*抽风式咨询*个人成长', 'badge': [{'type': 'identity', 'description': 'Backbase 管理分析咨询师', 'topics': []}], 'badge_v2': {'title': 'Backbase 管理分析咨询师', 'merged_badges': [{'type': 'identity', 'detail_type': 'identity', 'title': '认证', 'description': 'Backbase 管理分析咨询师', 'url': 'https://www.zhihu.com/account/verification/intro', 'sources': [], 'icon': '', 'night_icon': ''}], 'detail_badges': [{'type': 'identity', 'detail_type': 'identity_people', 'title': '已认证的个人', 'description': 'Backbase 管理分析咨询师', 'url': 'https://www.zhihu.com/account/verification/intro', 'sources': [], 'icon': 'https://pic1.zhimg.com/v2-235258cecb8a0f184c4d38483cd6f6b6_l.png', 'night_icon': 'https://pic1.zhimg.com/v2-45e870b8f0982bcd7537ea4627afbd00_l.png'}], 'icon': 'https://pic2.zhimg.com/v2-235258cecb8a0f184c4d38483cd6f6b6_l.png', 'night_icon': 'https://pic2.zhimg.com/v2-45e870b8f0982bcd7537ea4627afbd00_l.png'}, 'gender': 1, 'is_advertiser': False, 'follower_count': 412637, 'is_followed': False, 'is_privacy': False}, 'id': 1597380398, 'text': '亲人们，知道为什么很多机关办事人员会僵化么？知道为什么很多机构不愿意创新么？知道为什么很多组织都是照章办事缺乏灵活么？你看到的这个案例，就是原因。很多事情，你不做，就不会错；做了，取得的回报很少，但是承担的风险很高。你永远不知道什么地方会突然飞过来一泡口水，把你的好意扭曲为恶意，把你的行为定性为「不妥」。如果是在影视行业，不断在边缘疯狂的试探，还可以理解，这样可以给观众带来新的刺激，换来一句…'}
{'author': {'id': 'a82cf4ad4be905dbc044297e70e3b382', 'url_token': 'alyssa-song', 'name': '貂丝女婶教授', 'avatar_url': 'https://pic4.zhimg.com/v2-2b1a52a861aecec566a3c2c4f00a5e06_l.jpg?source=1940ef5c', 'avatar_url_template': 'https://pic2.zhimg.com/v2-2b1a52a861aecec566a3c2c4f00a5e06.jpg?source=1940ef5c', 'is_org': False, 'type': 'people', 'url': 'https://www.zhihu.com/api/v4/people/a82cf4ad4be905dbc044297e70e3b382', 'user_type': 'people', 'headline': '985副教授，少女型大妈，生化环材', 'badge': [], 'badge_v2': {'title': '', 'merged_badges': [], 'detail_badges': [], 'icon': '', 'night_icon': ''}, 'gender': 0, 'is_advertiser': False, 'follower_count': 10200, 'is_followed': False, 'is_privacy': False}, 'id': 1597237844, 'text': '我从前就住在哈工大的17公寓。宿管阿姨们真的非常好，非常温暖。我当时有一段生病天天待在寝室，阿姨们白天巡寝的时候还经常问我好点了没有，用不用帮我从楼下带盒饭上来。对我这种从小就缺爱的人，阿姨真的就像自己的亲人一样，让我从内心深处感觉到了家的温暖。住在17公寓的日子真的超级美好。当年哈工大的后勤管理还有一点很好，就是每一届毕业的学生把不穿也不带走的旧大衣捐给学校，新一届本科生入校时候，贫困生可以每人…'}
{'author': {'id': 'e6bbeff00614e94be5225c9fb401f989', 'url_token': 'zai-yi-qi-61-23', 'name': '精分的曹小灵', 'avatar_url': 'https://pic4.zhimg.com/v2-d3325d2f1d7de8511a5e9a328c75a539_l.jpg?source=1940ef5c', 'avatar_url_template': 'https://pic2.zhimg.com/v2-d3325d2f1d7de8511a5e9a328c75a539.jpg?source=1940ef5c', 'is_org': False, 'type': 'people', 'url': 'https://www.zhihu.com/api/v4/people/e6bbeff00614e94be5225c9fb401f989', 'user_type': 'people', 'headline': '头脑中存在两种截然相反的思想，开始精分', 'badge': [], 'badge_v2': {'title': '', 'merged_badges': [], 'detail_badges': [], 'icon': '', 'night_icon': ''}, 'gender': 1, 'is_advertiser': False, 'follower_count': 4997, 'is_followed': False, 'is_privacy': False}, 'id': 1597348175, 'text': '啊…又来了。对这种道德高地站的稳的学生，张博洋曾经发出过灵魂质问：[图片] [图片] 宿管阿姨明确的说了：这是西方的节日，自己是借着这个节日的机会，感谢同学们对工作的支持。现在很多女生找各种借口过节，很多男生找各种借口送礼，怎么就不能让宿管阿姨给你一个不想奋斗的机会呢？这种人，不配当个男人，至少不配当一个新时代的以阿姨包养为梦想的好男人。你背叛了你的阶级！手动差评！要上纲上线，别急，咱们一层一层的来。先讲历…'}
{'author': {'id': '0ba346aab1e8761d12e8d1cf28fce8f8', 'url_token': 'xia-xiao-qi-61', 'name': '瞄小七.sunshine', 'avatar_url': 'https://pic2.zhimg.com/v2-fc018e46c81d7828e65d34613f62425c_l.jpg?source=1940ef5c', 'avatar_url_template': 'https://pic4.zhimg.com/v2-fc018e46c81d7828e65d34613f62425c.jpg?source=1940ef5c', 'is_org': False, 'type': 'people', 'url': 'https://www.zhihu.com/api/v4/people/0ba346aab1e8761d12e8d1cf28fce8f8', 'user_type': 'people', 'headline': '三甲医院手术室护师/护理学穿搭博主', 'badge': [], 'badge_v2': {'title': '', 'merged_badges': [], 'detail_badges': [], 'icon': '', 'night_icon': ''}, 'gender': 0, 'is_advertiser': False, 'follower_count': 9792, 'is_followed': False, 'is_privacy': False}, 'id': 1598254838, 'text': '[图片] 举报这个事，小题大做。本来是一件在寒冬天里温暖人心的好事，也不知道是触动了一个脑回路清奇之人的哪根敏感神经？这位举报爱好者就这样愤愤地向宿管阿姨发出了最后通牒。我心里还在想呢，这么有爱的宿管阿姨，果然是别人学校的宿管阿姨。没想到，有这样的宿舍阿姨，有些同学非但不知珍惜，还要上纲上线举报她。那位举报阿姨的同学，平时心里应该很苦嘴巴才这么毒吧？是自己生活过的太平淡无为才用这种方式在善良的宿管阿…'}

4.存储到csv

设置三个细分，存储到csv。

注意现在只是对某些页面的数据进行的存储。

import?csv

csvf?=?open('zhihu.csv',?'a+',?encoding='utf-8',?newline='')
fieldnames?=?['author',?'id',?'text']
writer?=?csv.DictWriter(csvf,?fieldnames=fieldnames)
writer.writeheader()

for?info?in?resp.json()['data']:
????author?=?info['author']
????Id?=?info['id']
????text?=?info['excerpt']
????data?=?{'author':?author,
????????????'id':?Id,
????????????'text':?text}
????writer.writerow(data)
????
csvf.close()

5.整理汇总代码

将1234代码合并整理，就是一个对知乎问题回答的批量采集爬虫。

注意复制标签代码，要注意层次关系，上下变量名要对应衔接接。

import?requests
import?csv
import?time
#新建csv，存储数据
csvf?=?open('zhihu.csv',?'a+',?encoding='utf-8',?newline='')
fieldnames?=?['author',?'id',?'text']
writer?=?csv.DictWriter(csvf,?fieldnames=fieldnames)
writer.writeheader()
#伪装头，用于反爬
headers?=?{'user-agent':?'Mozilla/5.0?(Macintosh;?Intel?Mac?OS?X?10_15_7)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/87.0.4280.67?Safari/537.36'}

#网址模板
template?=?'https://www.zhihu.com/api/v4/questions/432119474/answers?include=data%5B*%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%2Cpaid_info_content%3Bdata%5B*%5D.mark_infos%5B*%5D.url%3Bdata%5B*%5D.author.follower_count%2Cbadge%5B*%5D.topics%3Bsettings.table_of_content.enabled%3B&offset={offset}&limit=5&sort_by=default&platform=desktop'

#批量采集，
#目前可爬1240+页数据
#这里仅抓取前100页
for?page?in?range(1,?100):
????#对第page页进行访问
????url?=?template.format(offset=page)
????resp?=?requests.get(url,?headers=headers)
????
????#解析定位第page页的数据
????for?info?in?resp.json()['data']:
????????author?=?info['author']
????????Id?=?info['id']
????????text?=?info['excerpt']
????????data?=?{'author':?author,
????????????????'id':?Id,
????????????????'text':?text}
????????#存入csv
????????writer.writerow(data)
????????
????#降低爬虫对知乎的访问速度
????time.sleep(1)?
????
#关闭csvf
csvf.close()

测试

采集完毕后，我们检查下zhihu.csv，看看是否采集到的数据。

import?pandas?as?pd

df?=?pd.read_csv('zhihu.csv')
df.head()

词云图

找出所有回答的内容文本，制作词云图，可以看到知乎用户对哈工大感恩节事件的看法。

import?jieba

import?json

from?pyecharts?import?options?as?opts
from?pyecharts.charts?import?WordCloud

text_contents?=?''.join(df['text'])
words?=?jieba.lcut(text_contents)
words?=?[w?for?w?in?words?if?len(w)>1]
wordfreqs?=?[(w,?words.count(w))?for?w?in?set(words)]

c?=?(
????WordCloud()
????.add("",?
?????????wordfreqs,?
?????????word_size_range=[10,?70])
????.set_global_opts(title_opts=opts.TitleOpts(title="哈工大感恩节"))
????.render_notebook()
)

内容总结

以上是互联网集市为您收集整理的今天分享一个用Python来爬取小说的小脚本！（附源码）全部内容，希望文章能够帮你解决今天分享一个用Python来爬取小说的小脚本！（附源码）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端