前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python多线程爬虫爬取顶点小说内容(BeautifulSoup+urllib)

python多线程爬虫爬取顶点小说内容(BeautifulSoup+urllib)

作者头像
kalifa_lau
发布2018-04-26 14:55:42
1.2K0
发布2018-04-26 14:55:42
举报
文章被收录于专栏:kalifaの日々
思路

之前写过python爬取起点中文网小说,多线程则是先把爬取的章节链接存到一个列表里,然后写一个函数get_text每次调用这个函数就传一个章节链接,那么就需要调用n次该函数来获取n章的内容,所以可以用for循环创建n个线程,线程的target就是get_text,参数就是章节的url。

被爬取页面

随便点开的,辣眼睛哈哈哈

全部章节页

代码语言:javascript
复制
from bs4 import *
import socket
import time


#在小说章节页爬取所有章节链接
def get_html():
    
    #从你的浏览器控制台复制出http报文的header信息
    header = {'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
    url = 'https://www.dingdiann.com/ddk81000/'
    
    #发送一个http请求,读出网页内容存到html
    req = urllib.request.Request(url,headers=header)
    html = urllib.request.urlopen(req).read()

    #网页里有中文,需要decode
    html.decode('utf-8','ignore')
    
    #用BeautifulSoup处理html 不加‘lxml’参数会警告
    soup = BeautifulSoup(html,'lxml')
    
    #chapters用来存放所有章节的链接
    chapters = []
    
    dds = soup.find_all('dd')
    for dd in dds:
        chapters.append('https://www.dingdiann.com'+dd.a.get('href'))
        #print(dd.a.get('href'))
    return chapters

#获取章节文本信息
def get_text(url):
    header = {'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
    req = urllib.request.Request(url,headers=header)
    
    response = urllib.request.urlopen(req)
    html = response.read().decode('utf-8','igore')
    
    #关闭请求 防止服务器拒绝服务
    response.close()
    
    soup = BeautifulSoup(html,'lxml')
    
    
    #title = soup.find(class_='bookname').h1.text
    try:
        #找到章节名
        title = soup.find(class_='bookname').h1.text
        
        #为中文字符串构造正则表达式,识别出“第X章”
        str = title.encode('utf-8')
        filename = re.search(u'.*章'.encode('utf-8'),str).group().decode('utf-8')
        #用追加方式打开文件,文件名是“第X章”
        f = open('C:/Users/liuxu/Desktop/book/'+filename+ '.txt','w+')
        #写入标题
        f.write(title+'\n\n')
        #逐行写入小说段落
        text = soup.find(id='content').text
        lines = re.findall(r'\s{2}\S*',text)
        for line in lines:
            f.write(line+'\n')
        #关闭文件
        f.close()
    except:
        #异常处理 防止因为出错而中断爬取程序
        print('error in writing')
        
          
#socket.setdefaulttimeout(20) 
threads = [] 
for chapter in get_html():
    th = threading.Thread(target=get_text,args=(chapter,))
    threads.append(th)

for t in threads:
    t.start()
    #每两个进程之间间隔3秒 防止报出错误“[WinError 10054] 远程主机强迫关闭了一个现有的连接”
    time.sleep(3)

爬取结果

想和大家讨论的部分

个人感觉用了多线程之后速度并没有很大的提升,速度大致是20个txt文件/分钟,是否有单个机器上继续提升爬取速度的方法?

下一步打算搞点能被封ip的爬取行为,然后学学分布式爬虫。加油~

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017.12.18 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 思路
  • 被爬取页面
  • 想和大家讨论的部分
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档