xpath+多进程爬取全书网纯爱耽美类别的所有小说。 – Python量化投资

xpath+多进程爬取全书网纯爱耽美类别的所有小说。

# 需要的库
import requests
from lxml import etree
from multiprocessing import Pool
import os
# 请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
}
# 创建存储路径
pathname = './全书网/'
if not os.path.exists(pathname):
    os.mkdir(pathname)
# 获取书籍列表
def get_booklist(url):
    try:
        response = requests.get(url=url,headers=headers)
        etrees = etree.HTML(response.text)
        sum = etrees.xpath('//a[@class="last"]/text()')[0]
        booklist = etrees.xpath('//ul[@class="seeWell cf"]/li')
        book_list = []
        for books in booklist:
            book = books.xpath('./a/@href')[0]
            book_list.append(book)
        pool.map(get_book,book_list)
        urls = ['http://www.quanshuwang.com/list/3_{}.html'.format(i) for i in range(2,int(sum)+1)]
        pool.map(get_booklist,urls)
    except Exception:
        print('get_booklist failed')
# 获取具体书籍
def get_book(url):
    try:
        response = requests.get(url=url, headers=headers)
        etrees = etree.HTML(response.content.decode("gb18030"))
        book_name = etrees.xpath('//div[@class="b-info"]/h1/text()')[0]
        if os.path.exists(pathname+book_name+'.txt'):
            print(book_name+'.书籍已存在,如需重新下载请删除原文件')
            return None
        book = etrees.xpath('//div[@class="b-oper"]/a/@href')[0]
        get_mulu(book)
    except Exception:
        print('get_book failed')
# 获取书籍目录
def get_mulu(url):
    try:
        response = requests.get(url=url, headers=headers)
        etrees = etree.HTML(response.text)
        book = etrees.xpath('//div[@class="clearfix dirconone"]/li')
        for i in book:
            book = i.xpath('./a/@href')[0]
            get_content(book)
    except Exception:
        print('get_mulu failed')
# 获取并写入书籍内容
def get_content(url):
    try:
        response = requests.get(url=url, headers=headers)
        etrees = etree.HTML(response.content.decode("gb18030"))
        title = etrees.xpath('//a[@class="article_title"]/text()')[0]
        zhangjie = etrees.xpath('//strong[@class="l jieqi_title"]/text()')[0]
        contents = etrees.xpath('//div[@class="mainContenr"]/text()')
        content = ''.join(contents)
        with open(pathname+title+'.txt','a+',encoding='utf-8') as f:
            f.write(zhangjie+'\n\n'+content+'\n\n')
        print('正在下载:',zhangjie)
    except Exception:
        print('get_content failed')
# 程序入口
if __name__ == '__main__':
    url = 'http://www.quanshuwang.com/list/3_1.html'
    # 创建进程池
    pool = Pool()
    # 启动程序
    get_booklist(url)


控制台输出


正在下载: 章 节目录 第三十四章 不眠的天堂
正在下载: 章 节目录 第四十四章 :耳光
正在下载: 章 节目录 第046章 找到变异元晶
正在下载: 章节目录 第二十八章 修路优惠
正在下载: 章 节目录 第四十五章 :憋屈
正在下载: 章 节目录 第047章 至宝得手
正在下载: 章节目录 第二十九章 猜鱼
正在下载: 章 节目录 第048章 凤凰涅槃,浴火重生。
正在下载: 章节目录 第三十章 养猪场
正在下载: 章 节目录 第四十六章 :酣畅淋漓
正在下载: 章 节目录 第049章 上等天赋资质
正在下载: 章节目录 第三十一章 上鬼身
正在下载: 章 节目录 第050章 元力神兵
正在下载: 章 节目录 第四十七章 :舵主之位
正在下载: 章 节目录 第三十五章 黑暗
正在下载: 章节目录 第三十二章 吓死马有钱
正在下载: 章 节目录 第三十六章 商议
正在下载: 章 节目录 第051章 天级上品龙隐术
正在下载: 章 节目录 第三十七章 寻觅
正在下载: 章节目录 第三十三章 再遇李三
正在下载: 章节目录 第三十四章 借了一百万


打开文件夹查看是否下载成功

 

 done。

https://www.cnblogs.com/nmsghgnv/p/11327680.html

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论