这篇文章主要介绍了python 爬取小说并下载的示例,帮助大家更好的理解和学习python爬虫
代码
import requestsimport timefrom tqdm import tqdmfrom bs4 import BeautifulSoup
def get_content(target):req = requests.get(url = target)req.encoding = 'utf-8'html = req.textbf = BeautifulSoup(html, 'lxml')texts = bf.find('div', id='content')content = texts.text.strip().split('\xa0'*4)return content if __name__ == '__main__':server = 'https://www.xsbiquge.com'book_name = '诡秘之主.txt'target = 'https://www.xsbiquge.com/15_15338/'req = requests.get(url = target)req.encoding = 'utf-8'html = req.textchapter_bs = BeautifulSoup(html, 'lxml')chapters = chapter_bs.find('div', id='list')chapters = chapters.find_all('a')for chapter in tqdm(chapters):chapter_name = chapter.stringurl = server + chapter.get('href')content = get_content(url)with open(book_name, 'a', encoding='utf-8') as f:f.write(chapter_name)f.write('\n')f.write('\n'.join(content))f.write('\n')
下载效果:
可以看到,小说内容保存到“诡秘之主.txt”中,小说一共 1416 章,下载需要大约 20 分钟,每秒钟大约下载 1 个章节。
下载完成,实际花费了 27 分钟。
20 多分钟下载一本小说,你可能感觉太慢了。想提速,可以使用多进程,大幅提高下载速度。如果使用分布式,甚至可以1秒钟内下载完毕。
但是,我不建议这样做。
我们要做一个友好的爬虫,如果我们去提速,那么我们访问的服务器也会面临更大的压力。
以我们这次下载小说的代码为例,每秒钟下载 1 个章节,服务器承受的压力大约 1qps,意思就是,一秒钟请求一次。
如果我们 1 秒同时下载 1416 个章节,那么服务器将承受大约 1416 qps 的压力,这还是仅仅你发出的并发请求数,再算上其他的用户的请求,并发量可能更多。
如果服务器资源不足,这个并发量足以一瞬间将服务器“打死”,特别是一些小网站,都很脆弱。
过大并发量的爬虫程序,相当于发起了一次 CC 攻击,并不是所有网站都能承受百万级别并发量的。
所以,写爬虫,一定要谨慎,勿给服务器增加过多的压力,满足我们的获取数据的需求,这就够了。
你好,我也好,大家好才是真的好。
以上就是python 爬取小说并下载的示例的详细内容