爬虫初次接触

import re
import time
import requests
from bs4 import BeautifulSoup

from testCase.testReptile.Log import log

# 定义请求参数
headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36‘}
# 定义请求IP
url =  ‘--网址--‘
# 执行请求
get_re = requests.get(url=url, headers=headers, verify=False)
# 获取网页内容
div_bf = BeautifulSoup(get_re.text, ‘html.parser‘)
# 获取小说章节
div = div_bf.find_all(‘dl‘, class_ = ‘chapterlist‘)

print(div)

# 使用正则匹配章节
cc = re.compile(r‘--使用正则匹配a标签中的链接--‘)

for i in div_bf.find_all(‘a‘):
    # 获取a字段href属性，并遍历
    j = cc.match(i[‘href‘])
    if j:
        # 获取章节的分组信息
        z = j.group()

        # 定义请求IP
        url = ‘--网址--‘+ z +‘‘
        # 定义请求参数
        headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36‘}
        # 执行请求
        re = requests.get(url, headers, verify=False)
        # 获取网页内容
        div_bf = BeautifulSoup(re.text,‘html.parser‘)
        # 提取小说章节名称
        h1 = re.text.split(‘<h1>‘)[1].split(‘</h1>‘)[0]
        # 提取id为BookText的div中的数据
        stp_div = re.text.split(‘<div id="BookText">‘)[1].split(‘</div>‘)[0]
        # 数据清洗
        stp_div_001 = stp_div.replace(‘<br/>‘, ‘\n‘).replace(‘/n‘, ‘‘).replace(‘/t‘, ‘‘).replace(‘ ‘, ‘‘).replace(‘&nbsp;‘, ‘ ‘)

        # 打印章节名称及章节内容
        log.info(h1)
        log.info(stp_div_001)
        time.sleep(1)