python下载奇书网的小说

网址为,奇书网 以前下载小说是爬取所有的章节,提取文章,构成小说,那样太慢,一本小说几千章节,好久才能下载一本, 现在找到一个有TXT下载的地方,直接读写文章了.

图片.png

准备按照首页,那边的栏目,下载玄幻奇幻 武侠仙侠 女频言情 现代都市 历史军事 游戏竞技 科幻灵异 美文同人 剧本教程 名著杂志10个专题的小说 整个过程用到了不少东西

html=requests.get(url,headers=headers,verify=False).text
soup=BeautifulSoup(html,'lxml')
#按照标签查找
tag_a=soup.p
#获取属性
name = tag_p.name
title = tag_p.attrs.get('title')
title = tag_p.get('title')
title = tag_p['title']

find&&find_all查找

soup.find('a')
soup.find('a',title='hhh')
soup.find('a',id='')
soup.find('a',class_='')

去掉开头,结尾的字符,用strip()函数 分割字符串使用 split()函数,追加元素到list中使用append()函数,如果需要把另外一个list的元素一一追加到另外一个list需要使用extend函数

            html=get_html(url[i]).text
            #title=re.find(re0,html)[0]
            href=re.findall(re1,html)
            #print(href)
            infor=re.split(",",href[0])
            get_inf=[]
            #print(infor)
            for j in range(len(infor)):
                te=infor[j].strip("'").strip("'")
                get_inf.append(te)

    # 这里采用正则表达式,也可以使用 title=cont[i].get("title")
        text=re.findall(re0,str(cont[i]))
        title.extend(text)

注意,这里是坑,被坑了好一会 Python3的dictionary的keys(), values(), items()返回的都是迭代器,如果需要像Python2一样返回列表,只要传给list就行了:

   novel_path=list(novel_inf.keys())
   novel_url=list(novel_inf.values())

下载小说,准备使用map函数实现多线程,加快速度, 全局变量,在函数外,最开始地方定义,在函数中想改变其中,必须使用global,不然函数中会屏蔽其值 参考文献

相关code

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Jun 16 22:36:52 2018

@author: dflx
"""

import requests
import os
import re
from bs4 import BeautifulSoup
import time
from multiprocessing.dummy import Pool as ThreadPool


def get_html(url):
    try:
        headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.90 Safari/537.36 2345Explorer/9.3.2.17331',}
        response=requests.get(url,headers=headers,verify=False)
        print(response.status_code)
        response.raise_for_status
        response.encoding=response.apparent_encoding
        #print(response.text)
        return response
    except Exception as e:
        print("has exception:",e)


name=[]
def get_url(url):
    html=get_html(url).text
    re0=r'title="(.*?)">'
    soup=BeautifulSoup(html,"lxml")
    cont=soup.find_all('a')
    title=[]
    global name
    href=[]
    print("length=",len(cont))
    print(type(cont[0]))
    for i in range(2,12): #[2,12]
        print(cont[i])
        name.append(cont[i].string)
    # 这里采用正则表达式,也可以使用 title=cont[i].get("title")
        text=re.findall(re0,str(cont[i]))
        title.extend(text)
    # print(cont[i].get("href"))
        url="https://www.qisuu.la"+cont[i].get("href")
        href.append(url)

    print("title length=",len(title),type(title[0]),title[0])
    print("name length=",len(name),type(name[0]),name[0])
    print("href length",len(href),type(href[0]),href[0])
    return href

def mkdir(name,path):
    print(name)
    for i in name:
        file=path+i
        if not os.path.exists(file):
            os.makedirs(file)
    print("makdie successful")
    

    
def getChapterUrl(url,page):
    chapturl=[]
    href=get_url(url)
    for url in href:
        for num in range(1,page+1):
            chapt=url+"index_"+str(num)+".html"
            chapturl.append(chapt)
    print("down page length=",len(chapturl),chapturl[0])
    return chapturl
            

def getdownloadUrl(url,page):
    novel_href=[]
    chapturl=getChapterUrl(url,page)
    for ul in chapturl:
        html=get_html(ul).text
        soup=BeautifulSoup(html,"lxml")
        soup_div=soup.find_all("ul")
        tag_div=soup_div[5]
        #print(len(soup_div),type(soup_div[0]),soup_div[5])
        soup2=BeautifulSoup(str(tag_div),"lxml")
        tag_a=soup2.find_all('a')
        #print(tag_a)
        flag=1
        #print(tag_a[0])
        for i in range(len(tag_a)):
            url="https://www.qisuu.la"+tag_a[i].get("href")
            if flag%2!=0:
                novel_href.append(url)
            flag+=1
    print("the length novrl-href ",len(novel_href),novel_href[0])
    return novel_href

def downAllUrl(url,page):
    url=getdownloadUrl(url,page)
    print("----lenth=",len(url))
    print(name)
    novel_dict={}
    path="/home/dflx/下载/novel/"
    re0=r'<h1>(.*?)</h1>'
    re1=r'<script type="text/javascript">get_down_url\((.*?)\);</script>'
    for i in range(len(url)):
        try:
            html=get_html(url[i]).text
            #title=re.find(re0,html)[0]
            href=re.findall(re1,html)
            #print(href)
            infor=re.split(",",href[0])
            get_inf=[]
            #print(infor)
            for j in range(len(infor)):
                te=infor[j].strip("'").strip("'")
                get_inf.append(te)
            print(get_inf)
        
        #获取小说的名字
            soup=BeautifulSoup(html,"lxml")
            title=soup.find("h1").string
            print(title)

            index=i//(15*page)
            print(name[index])
            road=path+name[index]+"/"+get_inf[2]+".txt"
            print(type(road),road)
            print(type(get_inf[1]),get_inf[1])
            t1=time.time()
            #download(get_inf[1],pase,get_inf[2])
            novel_dict[road]=get_inf[1]
            t2=time.time()
            print("download spend "+str(t1-t2))
        except Exception as e:
            print("has excepton continue ",e)
            continue
    print(len(novel_dict))
    return novel_dict


 
novel_inf={}          
def threadDownload(url,page):
    global novel_inf
    novel_inf=downAllUrl(url,page)
    novel_path=list(novel_inf.keys())
    novel_url=list(novel_inf.values())
    pool=ThreadPool(2)
    #print(novel_path)
    print(type(novel_path))

    # thread download novel
    t1=time.time()
    result=pool.map(download,novel_path)
    t2=time.time()
    print("download spend "+str(t1-t2))
    pool.close()
    pool.join()
       


def download(ur):
    path=ur
    url=novel_inf[ur]
    html=get_html(url)
    text=html.content
    with open(path,'wb') as f:
        f.write(text)
    print("download "+ur+"success")
            
    



def main():
    url="https://dzs.qisuu.la/txt/22617.txt"
    url0="https://www.qisuu.la/"
    path="/home/dflx/下载/novel/"
    #getdownloadUrl(url0,1)
    #name=[]
    #get_url(url0)
    #mkdir(name,path)
    #downAllUrl(url0,3)
    threadDownload(url0,2)

小说专题

专题里面的小说情况

参考文献

BS4使用方法 Python-去除字符串中不想要的字符 Python 字典(Dictionary)操作详解 Python 字典(Dictionary) 一行 Python 实现并行化 -- 日常多线程操作的新思路 python中map()函数的用法讲解 Python map() 函数 Python3中如何实现dict.keys()的功能?

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏码神联盟

碎片化 | 第四阶段-49-hibernate之HQL查询操作-视频

本套视频从Java基础到架构模式以及AI算法,整体视频以“碎片化”学习的模式,提供给大家 ,并配备实际项目为案例,让大家在坐车、吃饭、午休、蹲坑的时候,都可以学...

3386
来自专栏陈满iOS

iOS·宏封装线程锁小技巧

601
来自专栏Golang语言社区

【go语言】Goroutines 并发模式(一)

摘要 这一篇主要是对GO语言中的并发编程模式做一个粗略的归纳总结,文中示例参考自golang conference中的一些演讲和博客,go涉及到的Go语言的语法...

3166
来自专栏coding...

Objectiv-c - UICollectionViewLayout自定义布局-瀑布流Demo地址

公开变量以及代理. 公开的变量是可以进行调用时设置,一般就为这些,delegate用来实现动态的高度设置

684
来自专栏企鹅号快讯

python中的时间处理大总结

北京 上海巡回站 | NVIDIA DLI深度学习培训 2018年1月26/1月12日 ? NVIDIA 深度学习学院 带你快速进入火热的DL领域 正文共485...

18110
来自专栏Coding01

看 Lumen 源代码解析 Request 到 Response 过程

当我想分析 Laravel 是如何做到从 Request -> Response 的解析过程的,发现 Lumen 相对简单,所以今天从 Lumen 源代码入手,...

1202
来自专栏领域驱动设计DDD实战进阶

DDD实战进阶第一波(七):开发一般业务的大健康行业直销系统(实现产品上下文接口与测试)

前一篇文章我们介绍了如何将创建产品的领域逻辑与产品的持久化仓储通过上架产品的用例组织起来,完成了一个功能。在实际的项目中,多种前端的形态比如PC Web、 微信...

3425
来自专栏有趣的Python和你

Python数据分析之dataframe的groupbygroupby函数highcharts绘图

763
来自专栏生信宝典

网站抓取引子 - 获得网页中的表格

爬虫是都不陌生的一个概念,比如百度、谷歌都有自己的爬虫工具去抓取网站、分析、索引,方便我们的查询使用。 在我们浏览网站、查询信息时,如果想做一些批量的处理,也可...

1807
来自专栏落影的专栏

iOS面试题----实践向

前言 很多人都说熟悉UIKit,那对于常见的API是否熟悉? 多线程是前端经久不衰的考点。 大家对于Block的weak-strong dance都耳熟能详...

4137

扫码关注云+社区