爬虫实践---排行榜小说批量下载
一、目标
排行榜的地址：http://www.qu.la/paihangbang/
找到各类排行旁的的每一部小说的名字，和在该网站的链接。
二、观察网页的结构
很容易就能发现，每一个分类都是包裹在：
<div class="index_toplist mright mbottom">
之中，
这种条理清晰的网站，大大方便了爬虫的编写。
在当前页面找到所有小说的连接，并保存在列表即可。
三、列表去重的小技巧：
就算是不同类别的小说，也是会重复出现在排行榜的。
这样无形之间就会浪费很多资源，尤其是在面对爬大量网页的时候。
这里只要一行代码就能解决：
url_list = list(set(url_list))
这里调用了一个list的构造函数set：这样就能保证列表里没有重复的元素了。
四、代码实现
模块化，函数式编程是一个非常好的习惯，坚持把每一个独立的功能都写成函数，这样会使代码简单又可复用。
1.网页抓取头：
import requests from bs4 import BeautifulSoup def get_html(url): try: r = requests.get(url,timeout=30) r.raise_for_status r.encoding='utf-8' return r.text except: return 'error!'
2.获取排行榜小说及其链接：
爬取每一类型小说排行榜，
按顺序写入文件，
文件内容为 小说名字+小说链接
将内容保存到列表
并且返回一个装满url链接的列表def get_content(url): url_list = [] html = get_html(url) soup = BeautifulSoup(html,'lxml') # 由于小说排版的原因，历史类和完本类小说不在一个div里 category_list = soup.find_all('div',class_='index_toplist mright mbottom') history_list = soup.find_all('div',class_='index_toplist mbottom') for cate in category_list: name = cate.find('div',class_='toptab').span.text with open('novel_list.csv','a+') as f: f.write('\n小说种类：{} \n'.format(name)) book_list = cate.find('div',class_='topbooks').find_all('li') # 循环遍历出每一个小说的的名字，以及链接 for book in book_list: link = 'http://www.qu.la/' + book.a['href'] title = book.a['title'] url_list.append(link) # 这里使用a模式写入，防止清空文件 with open('novel_list.csv','a') as f: f.write('小说名:{} \t 小说地址:{} \n'.format(title,link)) for cate in history_list: name = cate.find('div',class_='toptab').span.text with open('novel_list.csv','a') as f: f.write('\n小说种类: {} \n'.format(name)) book_list = cate.find('div',class_='topbooks').find_all('li') for book in book_list: link = 'http://www.qu.la/' + book.a['href'] title = book.a['title'] url_list.append(link) with open('novel_list.csv','a') as f: f.write('小说名:{} \t 小说地址:{} \n'.format(title,link)) return url_list
3.获取单本小说的所有章节链接:
获取该小说每个章节的url地址，并创建小说文件
# 获取单本小说的所有章节链接 def get_txt_url(url): url_list = [] html = get_html(url) soup = BeautifulSoup(html,'lxml') list_a = soup.find_all('dd') txt_name = soup.find('dt').text with open('C:/Users/Administrator/Desktop/小说/{}.txt'.format(txt_name),'a+') as f: f.write('小说标题：{} \n'.format(txt_name)) for url in list_a: url_list.append('http://www.qu.la/' + url.a['href']) return url_list,txt_name
4.获取单页文章的内容并保存到本地
这里有个小技巧：
从网上爬下来的文件很多时候都是带着<br>之类的格式化标签，
可以通过一个简单的方法把它过滤掉：
html = get_html(url).replace('<br/>', '\n')
这里单单过滤了一种标签，并将其替换成‘\n’用于文章的换行，
def get_one_txt(url,txt_name): html = get_html(url).replace('<br/>','\n') soup = BeautifulSoup(html,'lxml') try: txt = soup.find('div',id='content').text title = soup.find('h1').text with open('C:/Users/Administrator/Desktop/小说/{}.txt'.format(txt.name),'a') as f: f.write(title + '\n\n') f.write(txt) print('当前小说：{}当前章节{}已经下载完毕'.format(txt_name,title)) except: print('ERROR!')
6.主函数
def get_all_txt(url_list): for url in url_list: # 遍历获取当前小说的所有章节的目录，并且生成小说头文件 page_list,txt_name = get_txt_url(url) def main(): # 小说排行榜地址 base_url = 'http://www.qu.la/paihangbang/' # 获取排行榜中所有小说的url链接 url_list = get_content(base_url) # 除去重复的小说 url_list = list(set(url_list)) get_all_txt(url_list) if __name__ == '__main__': main()
7.输出结果
5.缺点：
本次爬虫写的这么顺利，更多的是因为爬的网站是没有反爬虫技术，以及文章分类清晰，结构优美。
但是，按照这篇文的思路去爬取小说，
大概计算了一下：
一篇文章需要：0.5s
一本小说（1000张左右）：8.5分钟
全部排行榜（60本）： 8.5小时！
那么，这种单线程的爬虫，速度如何能提高呢？
自己写个多线程模块？
其实还有更好的方式：Scrapy框架
后面可将这里的代码重构一边遍，
速度会几十倍甚至几百倍的提高了！
这其实也是多线程的威力！
