一、目標
排行榜的地址:http://www.qu.la/paihangbang/
找到各類排行旁的的每一部小說的名字,和在該網站的鏈接。
二、觀察網頁的結構
很容易就能發現,每一個分類都是包裹在:
之中,
這種條理清晰的網站,大大方便了爬蟲的編寫。
在當前頁面找到所有小說的連接,并保存在列表即可。
三、列表去重的小技巧:
就算是不同類別的小說,也是會重復出現在排行榜的。
這樣無形之間就會浪費很多資源,尤其是在面對爬大量網頁的時候。
這里只要一行代碼就能解決:
這里調用了一個list的構造函數set:這樣就能保證列表里沒有重復的元素了。
四、代碼實現
模塊化,函數式編程是一個非常好的習慣,堅持把每一個獨立的功能都寫成函數,這樣會使代碼簡單又可復用。
1.網頁抓取頭:
2.獲取排行榜小說及其鏈接:
爬取每一類型小說排行榜,
按順序寫入文件,
文件內容為 小說名字+小說鏈接
將內容保存到列表
并且返回一個裝滿url鏈接的列表
3.獲取單本小說的所有章節鏈接:
獲取該小說每個章節的url地址,并創建小說文件
4.獲取單頁文章的內容并保存到本地
這里有個小技巧:
從網上爬下來的文件很多時候都是帶著
之類的格式化標簽,
可以通過一個簡單的方法把它過濾掉:
html = get_html(url).replace('
', '\n')
這里單單過濾了一種標簽,并將其替換成‘\n’用于文章的換行,
6.主函數
7.輸出結果
5.缺點:
本次爬蟲寫的這么順利,更多的是因為爬的網站是沒有反爬蟲技術,以及文章分類清晰,結構優美。
但是,按照這篇文的思路去爬取小說,
大概計算了一下:
一篇文章需要:0.5s
一本小說(1000張左右):8.5分鐘
全部排行榜(60本):8.5小時!
那么,這種單線程的爬蟲,速度如何能提高呢?
自己寫個多線程模塊?
其實還有更好的方式:Scrapy框架
后面可將這里的代碼重構一邊遍,
速度會幾十倍甚至幾百倍的提高了!
這其實也是多線程的威力!
-
函數
+關注
關注
3文章
4327瀏覽量
62574 -
爬蟲
+關注
關注
0文章
82瀏覽量
6867
原文標題:爬蟲實踐---一次下完所有小說:排行榜小說批量下載
文章出處:【微信號:magedu-Linux,微信公眾號:馬哥Linux運維】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論