用批处理抓取搜狐读书网上的txt小说——以整理《退膛》为例

namejm · 发表于 2010-2-9 00:15:46

　　抓取网页上的小说整理成txt电子书放电脑上慢慢欣赏？嗯，主意不错。说干就干，建个test目录，新建test.cmd，打开记事本——慢，慢，这么大的工程，竟然只用到了记事本，寒碜了点吧？

　　嗯，好像还少了几个工具。

　　Win+S，everything嗖地蹦了出来，输入“第三方”，唰的一下，冒出了1000+个搜索结果，唉，太多了，换个关键字吧，输入“curl.exe”，有好几个结果，其中有一个放在c:\windows\system32下，哈哈，太好了，不用我再去复制到test目录下，直接调用就是了；再搜“htox32c.exe”，也在c:\windows\system32下老老实实地呆着呢，太好了！

　　广告插播时间，请不要走开，后面更精彩：

　　everything：文件搜索闪电侠，号称1S搜遍全盘，搜索文件的速度在这个星球上貌似还没有谁能把它比下去，不过和这次我要介绍的主题关系不大，对它的溢美之词虽然如滔滔江水在我心中已经泛滥成灾，但是只能忍痛暂且打住；
　　curl：命令行下抓取网络文件的不二选择，http、ftp、telnet……各种常见的和不常见的协议通吃，整站下载、指定页面下载、ftp文件上传、断点续传、分块下载……各种花样层出不穷，令人眼花缭乱；
　　HtoX32c：网页文件转txt的利器，CN-DOS神人级人物“无奈何”试遍网络上各种命令行转换工具，唯此一款爱不释手，并做了汉化，这款最后更新日期为2004年的工具，至今仍是神器，鲜有能超越它的，小日本做的很多软件都能做到小巧而强悍，不得不令人折服。

　　有了curl抓取网页，再用HtoX32c转为txt，最后动用强大的批处理来打扫战场，在本机上建个txt书库将指日可待。要是再转成word，排版，设计封面，找个印刷厂，一口气印它三五千册，地摊上一扔，八元十元就开卖，真个是机器一响，黄金万两啊。奸笑ing。

　　新浪、搜狐、起点中文……这么多可下载txt的地方，该选哪一个呢？瞄呀瞄，眼神一不对劲，就把sohu瞄上了，别问我为什么，跟着我开工就行了，let's go。

　　namejm最喜欢看的就是军事题材的小说，特别是特种兵题材的，这一次，namejm把《退膛》给盯上了。

　　先整理下思路：要想获取所有的章节内容，就得把每个章节的网页文件下载到本地，然后，把网页中的代码剔除，留下文字部分，最后，把小说的正文部分提取出来，合并就完事。

　　先找《退膛》的目录页，因为在这里有所有章节的链接，把这些链接提取出来，好事基本上就成功了1/4了——为什么不是1/3？且听我慢慢道来。

　　不费吹灰之力就找到了目录页链接：http://lz.book.sohu.com/serialize-id-15582.html，二话不说，下载之：

curl -o index.html http://lz.book.sohu.com/serialize-id-15582.html

复制代码

　　把目录页保存为index.html，放在当前目录下备用。

　　记事本打开index.html，寻找各章节链接的规律——不要问我查看网页文件为什么不用网页元素分析器、Dreamweaver、IDE之类的重武器，杀鸡焉用牛刀？很多时候，我们应当学会用简陋的武器做出不平凡的成绩来，在这里，记事本已经足够了，就像看pdf，我只选择FoxitReader而不会去安装笨重的AdobeReader。

　　记事本里，按Ctrl+F，弹出“查找”对话框，搜索链接标志“href=”，不断按“查找下一个”，按到手发酸，半天也看不到想要的链接。拉一拉右侧的下拉条，眼睛扫啊扫，还是没找到。呵呵，我当时那个笨啊。直接用浏览器打开index.html，找到目录页里的标题，随便输入一个就定位到链接了，比如搜索“《退膛》和平区(1)”，该行所在的网页代码是“<li><a target="_blank" href="chapter-15582-112370117.html">《退膛》和平区(1)</a></li>”，其他的链接大同小异。把所有的标题所在行的网页代码都提取到一个临时文件里欣赏一下，顺便找下要提取的字符串的规律：

findstr /i "《退膛》.*([1-9].*)" index.html>tmp.txt

复制代码

　　注意，注意，哈欠连天的同学千万要注意了，字符串表达式一定要写成"《退膛》.*([1-9].*)"，而不是"《退膛》.*([1-9])"，先揉下眼睛，再做下深呼吸，想想这是为什么。一定要想哈，使劲想哈。不想？后果很严重哦。想当初，我愣是没能把每章第9节之后的章节整理出来，硬生生把小说全本弄成了太监贴。

　　打开tmp.txt，仔细分析一下，看看以什么字符做分隔符比较合适，在这里，我选择了>、<和=做分隔符：

for /f "delims=><= tokens=5,6" %%i in ('findstr /i "《退膛》.*([1-9].*)" index.html') do (
title 正在下载网页 http://lz.book.sohu.com/%%~i
curl --create-dirs -o html\%%~nxi http://lz.book.sohu.com/%%~i
)

复制代码

　　把下载的html文件放到目录html中去，为了随时了解下载进度，我没有关闭屏幕上乱七八糟的显示内容，并在标题中显示了当前下载的URL，如果觉得当前的屏幕太乱了，请自行研究curl的屏显参数。

　　屏幕上的字符流水般欢快地跑了一阵子之后，所有的html文件就下载完毕了。下一步该把html文件转为txt了。

　　其实网页文件转txt并没有多少复杂的操作，一条命令就足够了：

HtoX32c /IP html\*.html

复制代码

　　转眼工夫，所有的html已经转换为同名的txt文件，txt中的内容和我们在网页浏览器中看到的格式基本一致，基本上原样保留了在网页浏览器中的模样，这对我们后续的处理是非常有利的。

　　现在，txt和html文件都保存在html文件夹下，“人货混装”是历来是道路安全行驶的大忌，把它们分离了吧：

md txt 2>nul
move html\*.txt txt\>nul

复制代码

　　一眨眼工夫，txt和html各就各位，分别保存到txt和html文件夹下。由于隐蔽工作做得好，这一过程在屏幕上基本上没留下什么痕迹，包括创建重名文件夹时的报错信息以及move搬运工为了取悦老板而故作聪明随时发出的报喜信息。

　　现在，最关键的时刻来到了：从各txt文件中提取小说的正文内容，并按章节把它们拼接起来。在这个过程中，要求只提取正文，不能一不留神就收了别人贿赂过来的小红包，并且，每一章节都要用空行隔开，还有，次序千万不能弄乱了——如果次序都乱了的话，估计无辜的屏幕在暴怒主人的拳头下会粉身碎骨的，我们千万不能上演这样的杯具啊。

　　伟大的findstr！它继承了Windows数十年的优良传统，它凝聚了无数牛B人物的心血，它承载了广大热情观众的希望，这一刻，findstr灵魂附体，它要出手了！它来无影去无踪，快如闪电，佛山无影脚、南来北往拳……它实现了千百万劳苦大众的伟大梦想！啊，伟大的findstr万岁！万岁……谁在嘶吼？

　　困难是存在的，但是findstr也不是吃素的，撑大厦于将倾、挽狂澜于即倒，希望即将破灭之际，敢挺身而出横刀立马者，唯我findstr将军。代码在此：

cd.>《退膛》.txt
for %%i in (txt\*.txt) do (
title 正在整理 %%~nxi
echo.>>《退膛》.txt
findstr /ib "《退膛》" %%i>>《退膛》.txt
echo.>>《退膛》.txt
findstr /ibc:" " %%i>>《退膛》.txt
)

复制代码

　　幸好小说每一章节的网页文件名字符串长度相等，且文件名中由小到大的数字正好与章节的先后顺序相吻合，从而一条 for %%i in (txt\*.txt) 语句就足以实现小说章节的自动排序，无需再为各章节内容的顺序问题操心；每一章节的正文，每一段都是以两个全角空格打头，一条 findstr /ibc:" " %%i>>《退膛》.txt 轻轻松松就把所有的正文内容从纷繁芜杂的文本中提取出来了。

　　把上述代码组合起来，并加上一些提示信息，以帮助各位打发下载过程中无聊的时光，于是，下载搜狐读书网上连载小说的绝世代码就横空出世了：

@echo off
:: 建立小说目录
md 《退膛》 2>nul
cd /d 《退膛》 2>nul
:: 下载目录页
title 正在下载目录页
curl -o index.html http://lz.book.sohu.com/serialize-id-15582.html
:: 下载文字部分所在的网页文件
for /f "delims=><= tokens=5,6" %%i in ('findstr /i "《退膛》.*([1-9].*)" index.html') do (
title 正在下载网页 http://lz.book.sohu.com/%%~i
curl --create-dirs -o html\%%~nxi http://lz.book.sohu.com/%%~i
)
:: 转换网页文件为txt
cls
title 转换文件格式
echo 正在转换网页文件为txt文档
HtoX32c /IP /O0 html\*.html
md txt 2>nul
move html\*.txt txt\>nul
cls
echo 正在合并章节，请稍候...
cd.>《退膛》.txt
for %%i in (txt\*.txt) do (
title 正在整理 %%~nxi
echo.>>《退膛》.txt
findstr /ib "《退膛》" %%i>>《退膛》.txt
echo.>>《退膛》.txt
findstr /ibc:" " %%i>>《退膛》.txt
)
title 处理完毕
cls
echo.&echo 已经处理完毕，整理后的文章保存在 "%cd%\《退膛》.txt" 中
echo.
pause

复制代码

　　以上代码适合如下情形：

　　1、连载小说存在目录页，可以一次性提取所有页面的链接；
　　2、小说正文和其他部分的文字有很容易识别的标志，比如本例中的正文段落都以两个全角空格打头；
　　3、需要使用第三方命令行工具curl.exe和HtoX32.exe；

　　以上的条件是如此的宽松，搜狐网和新浪网上符合条件的小说比比皆是（起点中文网暂时没有细看，其他站点也无暇过问，但网上这样的站点绝对不在少数），只要有心，动一动手指头，把现成的代码稍加改动，这些小说皆唾手可得。

　　资源的获取是如此的容易，并且是批量式的下载，如果大家蜂拥而上的话，这些站点会跨掉么？以前我一直在想这个问题，以至于敝帚自珍，不愿意把思路和代码公之于众。但转念一想，sohu、sina大小是门户网站，每天的访问量以百万计，溺水三千，我只取一瓢饮，以小生区区一个批处理，弄点小流量的下载，还不至于让它们倒下吧，再不济，它们也得撑上个十年八年吧，因为“我真的还想再活五百年”啊。希望大家看过这篇文章后，能把以上代码用于资料的正常获取中，而不要去恶意连接这些站点，特别是那些规模不大的站点，当大家都无书可看之时再捶胸顿足可就悔之晚矣。

附注：
————————————————————————————————————
正文中提到的第三方命令行工具可以在这些地方找到：
　　1、Curl.exe：http://curl.haxx.se/（官网）或http://bbs.bathome.net/thread-1761-1-1.html
　　2、HtoX32c.exe：http://win32lab.com/（官网，日文）或http://bbs.bathome.net/thread-1974-1-1.html（带中文帮助信息）

老鼠无敌 · 发表于 2010-2-9 19:54:21

楼主，把文中的东东传上来啊？

nihao6688i · 发表于 2010-2-9 22:29:39

写得真详细，好好看看，谢谢！

ice360 · 发表于 2010-2-10 03:30:29

写得够详细！支持一下！

haxc · 发表于 2010-2-10 15:51:31

Everything V1.2.1.375b 汉化版
http://www.greendown.cn/soft/14266.html

以前都是用Locate32,这个右键发送到u盘后有个提示框,不知道怎么去掉,不爽这个

转换htm到txt我用TextForever批量转,觉得不错,功能很多

[ 本帖最后由 haxc 于 2010-2-10 16:00 编辑 ]

haxc · 发表于 2010-2-10 16:05:37

还有,下载htm我使用Offline Explorer离线下载软件下载,速度很快,下载完之后htm转txt,然后替换到多余的文字,合并txt就ok了

namejm · 发表于 2010-2-10 17:39:16

　　图形化的软件只能实现有限的功能，并且在批量操作上不是很方便，用脚本来分析页面可以实现更多的功能，更具有灵活性。

x9tian · 发表于 2010-2-18 23:30:28

批处理之家的版主就是强悍，你真是个高人喔，呵呵，没想到老兄的文彩这么好！

xacxf_2000 · 发表于 2010-2-19 16:20:50

这样可以吗？试试看看。

冷风无泪 · 发表于 2010-2-21 13:40:01

好强大啊,学习一下!~~

Halloween · 发表于 2010-3-3 20:07:24

我想，linux里应该更简单。

135956 · 发表于 2010-3-19 13:22:20

服到不得了。。。。.。。。

2010msmki · 发表于 2011-5-16 15:02:45

呵呵，以后想看小说就可以这么玩了

tuxw · 发表于 2011-5-26 23:10:42

收藏一个，喜欢看小说

xlovelace · 发表于 2011-5-27 09:46:13

楼主果然是高手啊
文章好，技术高

		自动登录	找回密码
密码			注册

用批处理抓取搜狐读书网上的txt小说——以整理《退膛》为例

for namejm