利用bs4查找所有的div,用正则筛选出每个div里面的中文,找到中文字数最多的div就是属于正文的div了。定义一个抓取的头部抓取网页内容:
import requestsheaders = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0 WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36',
'Host': 'blog.csdn.net'}
session = requests.session()
def getHtmlByRequests(url):
headers.update(
dict(Referer=url, Accept="*/*", Connection="keep-alive"))
htmlContent = session.get(url=url, headers=headers).content
return htmlContent.decode("utf-8", "ignore")
统计文字的正则:
import re# 统计中文字数
def countContent(string):
pattern = re.compile(u'[\u1100-\uFFFD]+?')
content = pattern.findall(string)
return content
查找每一个div,统计每一个div的文字,只保留文字最多的那个div:
# 分析页面信息def analyzeHtml(html):
# 初始化网页
soup = BeautifulSoup(html, "html.parser")
part = soup.select('div')
match = ""
for paragraph in part:
content = countContent(str(paragraph))
if len(content) > len(match):
match = str(paragraph)
return match
最后的调用几个函数即可:
def main():url = "http://blog.csdn.net/"
html = getHtmlByRequests(url)
mainContent = analyzeHtml(html)
soup = BeautifulSoup(mainContent, "html.parser")
print(soup.select('div')[0].text)
单章的部分应该没问题,去目录页爬下章节链接存列表里遍历爬取就行了吧。另外通常手机版站点的反爬会弱一些,有没有考虑爬手机站?
github、csdn、博客园等等站会有相关的博文涉及相关爬虫和源码,去参考一下也好。
还解决不了的话先把“全部正文,不知道咋回事目录都爬不下来”的情况说的更详细一点。