Python社区  »  Python

Python这么厉害的么?一次爬完整站小说

Python学习交流 • 2 年前 • 271 次点击  

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
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('
', '\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



今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/IyJfUHuUzL
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/27899
 
271 次点击  
分享到微博