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

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:\Users\AW\AppData\Local\Chromium\Application\chrome.exe

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:\Users\AW\AppData\Local\Chromium\Application\chrome.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())