Python这么厉害的么？一次爬完整站小说

1.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。

 

2.观察页的结构

很容易就能发现，每一个分类都是包裹在：

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。

3.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：

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。

 

4.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。

• 网页抓取头

• 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

• 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，

• 主函数

• 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！