python多线程爬虫爬取顶点小说内容（BeautifulSoup+urllib）

Posted 2023-03-31

参考技术A 之前写过python爬取起点中文网小说，多线程则是先把爬取的章节链接存到一个列表里，然后写一个函数get_text每次调用这个函数就传一个章节链接，那么就需要调用n次该函数来获取n章的内容，所以可以用for循环创建n个线程，线程的target就是get_text，参数就是章节的url。

随便点开的，辣眼睛哈哈哈

个人感觉用了多线程之后速度并没有很大的提升，速度大致是20个txt文件/分钟，是否有单个机器上继续提升爬取速度的方法？

下一步打算搞点能被封ip的爬取行为，然后学学分布式爬虫。加油~

spider爬虫练习，爬取顶点小说网，小说内容。

------------恢复内容开始------------

我这里练习爬虫的网站是顶点小说网，地址如下：

https://www.booktxt.net/

我这里以爬取顶点小说网里面的凡人修仙传为例子：

首先观察界面：

第一章：

第二章：

由上面可得出规律，每点一次下一章，url后面的数字就会自动加1。

爬虫主要分为3步：

第一步：构建url列表

    def url_list(self):
        url = "https://www.booktxt.net/1_1562/{}.html"
        url_list = []
        for i in range(self.page):
            url_list.append(url.format(507240 + i))
        return url_list

使用for循环，传入一个参数，没循环一次url后面的数字就会自动加1，把他放到一个新的url_list列表里面。

第二步：发送请求，获取响应结果

    def send_request(self, url):
        res = requests.get(url, headers=self.headers)
        res.encoding = "GBK"
        html_str = res.text
        # 获取html对象
        html = etree.HTML(html_str)
        return html

这里用到了requests库，需要传入一个url参数，返回html对象。

第3步：解析返回的内容，使用xpath提取想要的数据

for循环遍历url_list列表，同时调用send_request函数，传入url函数，遍历网址发送请求，返回html对象，通过xpath提取想要的数据。最后可以把解析出来的数据保存到本地

    def run(self):
        for url in self.url_list():
            print(url)
            html = self.send_request(url)
            html_tatle = html.xpath("//div[@class=‘bookname‘]/h1/text()")
            print(html_tatle[0])

            html_content = html.xpath("//div[@id=‘content‘]/text()")

            for content in html_content:
                print(content)

运行结果如下：

代码如下：

import requests
from lxml import etree


class FictionSpider():
    def __init__(self, page):
        self.page = page
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"}

    def url_list(self):
        url = "https://www.booktxt.net/1_1562/{}.html"
        url_list = []
        for i in range(self.page):
            url_list.append(url.format(507240 + i))
        return url_list

    def send_request(self, url):
        res = requests.get(url, headers=self.headers)
        res.encoding = "GBK"
        html_str = res.text
        # 获取html对象
        html = etree.HTML(html_str)
        return html

    def run(self):
        for url in self.url_list():
            print(url)
            html = self.send_request(url)
            html_tatle = html.xpath("//div[@class=‘bookname‘]/h1/text()")
            print(html_tatle[0])

            html_content = html.xpath("//div[@id=‘content‘]/text()")
            print(html_content)
            for content in html_content:
                print(content)



if __name__ == ‘__main__‘:
    FictionSpider(3).run()