Python 爬虫:爬《权力的游戏》中英对照版

VOA英文网有中英对照版 《权力的游戏》 ​​http://www.tingvoa.com/html/454618.html​​，但是只能在线看，而且每次不小段的太不方便了，想把它爬下来整理成大篇的，放到kindle上慢慢看。手工点了几页，每页复制到文本文件里，工作量太大了。于是就有了自己写个爬虫自动抓取的想法。说干就干。

​​http://www.tingvoa.com/html/454618.html​​  先分析它的HTML源:

程序的功能就是要取每页特定部分的内容，剔除掉不要的内容，对取到的内容加工写入txt文件，并抓取下一页的地址。一页一页循环抓取。。

主要代码如下:

#!/usr/bin/python
# -*- coding: gbk -*-
# by gnolux 20190524
# email: fangkailove@yeah.net



from urllib import request
import re

url = 'http://www.tingvoa.com/html/454618.html'
title = '权力的游戏：第001期：restart'



for page in range(0,1210):
    response = request.urlopen(url)
    html = response.read()
    html = html.decode("utf-8")


    rstr = r'(<p>.*?</p>)'
    s=re.findall(rstr,html,re.S)

    for i in range(len(s)):
        if s[i].startswith("<p>《权力的游戏》是一部"):
            s[i]=''
        if s[i].startswith("<p>背景介绍:"):
            s[i]='\n-----------------\n'
        if s[i].startswith("<p>来自"):
            s[i]=''
    #ct =  '\n'.join(s)
    title=title.split('：')[2]
    print(title)
    #print(url)
    #print(ct)
    with open('d:/%s.txt'%title, 'w') as f:
        f.write("<h>%s</h>"%title)
        f.write("<p>%s</p>"%url)
        f.writelines(s)

    rstr = r'<div id="next"> 下一篇：<a href=\'(.*?)\'>(.*?)</a>'
    s=re.findall(rstr,html,re.S)
    if len(s) == 1:
        url,title = s[0]
        url='http://www.tingvoa.com'+url
    else:
        print(ct)
        brea

上述写文件部分，没有合并到一个文本文件中，而是每个单独一个文件，是因为网页发布不是完全有序的。以章节作文件名，全爬下来后，按文件名重排序并合并，就能得到有序的完整书内容了。

看爬下的结果: