python 站点爬虫 下载在线盗墓笔记小说到本地的脚本
近期闲着没事想看小说,找到一个全是南派三叔的小说的站点,决定都下载下来看看,于是动手,在非常多QQ群里高手的帮助下(本人正則表達式非常烂。程序复杂的正则都是一些高手指导的),花了三四天写了一个脚本
须要 BeautifulSoup 和 requests 两个库
(我已经把凝视写得尽量具体)
这个程序的运行速度非常慢,求高手告诉我优化的方法。!
#-*-coding:utf8-*- from bs4 import BeautifulSoup
import requests
import re
import os #打开网页将所需的URL读取出来放进一个列表中
r = requests.get('http://www.nanpaisanshu.org/').content #打开要读取的网页
content=BeautifulSoup(r).findAll('a',href=re.compile(r'\Ahttp://www.nanpaisanshu.org/[a-z]+\Z')) #在网页中找到须要的信息 sc = str(content) #转换为string类型 lists=[]
lists = sc.split(',')
lists = list(set(lists)) #删除列表中反复信息 lisy=[] for line in lists:
p=line.split('"')[1] #按 " 切割,取出须要的信息写进数组
lisy.append(p) #这里已经拥有须要的url
#print p
#print lisy #把读取到的URL遍历打开,将全部网页保存到html文件里 s = os.getcwd()#当前路径 d = os.sep #系统分隔符 namef='aaa' #文件加名称 #b = os.path.exists( s+d+namef) #推断是存在 f=os.path.exists(s+d+namef) #推断是存在 if f==False:
os.mkdir(s+d+namef) #假设目录不存在就新建一个
else:
print u'已经存在'+namef filenm = s+d+namef+d #路径 i=1
for line in lisy:
r = requests.get(line) #遍历打开全部url
print r.content
print '\n'
tfile=open(filenm+'neirong'+str(i)+'.html','w')
i=i+1
tfile.write(r.content) #将网页内容写入文件 #将URL文件里的符合要求的URL读取出来写进一个txt文件里
for i in range(1,len(lisy)+1):
fp = open(filenm+'neirong'+str(i)+'.html', "r")
of = open(filenm+'neirong'+str(i)+'.txt','w')
content = fp.read() #将文件内容读取 p=re.compile(r'http://www\.nanpaisanshu\.org/.*?\.html') #正则匹配 #print p.findall(content) #print type(p.findall(content)) for line in p.findall(content):
#print line+'\n'
#if line !='http://www.nanpaisanshu.org/9701.html':
of.write(line+'\n') #将匹配到的文件写入还有一个文件里
#else:
#continue #of.write(str(p.findall(content))) #关闭文件
of.close()
fp.close()
tfile.close() #将txt for i in range(1,len(lisy)+1):
ot=open(filenm+'neirong'+str(i)+'.txt','r')
outfile=open(filenm+'quanbu'+str(i)+'.txt','a+') li=[]
for line in ot:
line = line.replace('\n','')
li.append(line) #将url文件里的数据放进列表中 li = sorted(li) #给列表排序 for line in li:
print line
#line = line.replace('\n','')
r = requests.get(line).content #遍历打开全部url
title=BeautifulSoup(r).find("div",{'class':"post_title"}).h2 #取出标题
content=BeautifulSoup(r).findAll("div",{'class':"post_entry"}) #取出内容
sti=str(title).replace('<h2>','').replace('</h2>','') #处理标题。仅仅保留文字 #处理内容,仅仅保留文字
scon = str(content).replace('<p>',' ').replace('</p>',' ').replace('<br/>','\n')
#print str(urllist)
scon = re.sub("<.*>", "", scon)
scon = re.sub("(.*? );","",scon)
#scon = scon.strip()
scon = '\n'.join(scon.split()) print scon
outfile.write(sti+'\n'+line+'\n'+scon) #将标题和内容写进文件里
#i=i+1
#print urllist print '=========================下载结束=======================' #关闭文件
outfile.close()
ot.close() #取出指定目录下的全部文件名称
targetDir=s+d+namef
for line in os.listdir(targetDir): p=re.compile(r'neirong[0-9]{1}') #用正则匹配
if p.match(line)!=None:
print "须要删除的文件"+s+d+namef+d+line+'!!'
os.remove(s+d+namef+d+line) #匹配成功就删除这个文件,os.remove()中须要完整路径
else:
print '保留文件!'
continue
有时候会显示连接失败,然后程序报错,应该推断一下 requests.get(url).status_code != 200 只是我加了以后发现执行更慢,每一个页面都推断,汗,可能是由于我这里网速几K的原因才会异常
以下是改动后的完好版,慎用,速度极其的慢。推断的东西和次数添加的缘故:
#-*-coding:utf8-*- #下载盗墓笔记小说
#2014-10-14
#ZJL from bs4 import BeautifulSoup
import requests
import re
import os #打开网页将所需的URL读取出来放进一个列表中
r = requests.get('http://www.nanpaisanshu.org/').content #打开要读取的网页
content=BeautifulSoup(r).findAll('a',href=re.compile(r'\Ahttp://www.nanpaisanshu.org/[a-z]+\Z')) #在网页中找到须要的信息 sc = str(content) #转换为string类型 lists=[]
lists = sc.split(',')
lists = list(set(lists)) #删除列表中反复信息 lisy=[] for line in lists:
p=line.split('"')[1] #按 " 切割,取出须要的信息写进数组
lisy.append(p) #这里已经拥有须要的url
#print p
#print lisy #把读取到的URL遍历打开。将全部网页保存到html文件里 s = os.getcwd()#当前路径 d = os.sep #系统分隔符 namef='aaa' #文件加名称 #b = os.path.exists( s+d+namef) #推断是存在 f=os.path.exists(s+d+namef) #推断是存在 if f==False:
os.mkdir(s+d+namef) #假设目录不存在就新建一个
else:
print u'已经存在'+namef filenm = s+d+namef+d #路径 i=1
for line in lisy:
r = requests.get(line) #遍历打开全部url
print r.content
print '\n'
tfile=open(filenm+'neirong'+str(i)+'.html','w')
i=i+1
tfile.write(r.content) #将网页内容写入文件 #将URL文件里的符合要求的URL读取出来写进一个txt文件里
for i in range(1,len(lisy)+1):
fp = open(filenm+'neirong'+str(i)+'.html', "r")
of = open(filenm+'neirong'+str(i)+'.txt','w')
content = fp.read() #将文件内容读取 p=re.compile(r'http://www\.nanpaisanshu\.org/.*? \.html') #正则匹配 #print p.findall(content) #print type(p.findall(content)) for line in p.findall(content):
#print line+'\n'
#if line !='http://www.nanpaisanshu.org/9701.html':
of.write(line+'\n') #将匹配到的文件写入还有一个文件里
#else:
#continue #of.write(str(p.findall(content))) #关闭文件
of.close()
fp.close()
tfile.close() #将txt for i in range(1,len(lisy)+1):
ot=open(filenm+'neirong'+str(i)+'.txt','r')
if os.path.exists(filenm+'quanbu'+str(i)+'.txt')==True:
print "已经存在"+filenm+'quanbu'+str(i)+'.txt'+'会先删除再创建'
os.remove(filenm+'quanbu'+str(i)+'.txt')
outfile=open(filenm+'quanbu'+str(i)+'.txt','a+') #防止第二次下载时内容在文件后面追加(不知道会不会又一次新建文件覆盖掉原来的文件所以这么做) else:
print "新建"+filenm+'quanbu'+str(i)+'.txt'
outfile=open(filenm+'quanbu'+str(i)+'.txt','a+') li=[]
for line in ot:
line = line.replace('\n','')
li.append(line) #将url文件里的数据放进列表中 li = sorted(li) #给列表排序 for line in li:
#print line
#line = line.replace('\n','') if requests.get(line).status_code != 200:
print '由于网络原因,这个章节为空!'
outfile.write('由于网络原因。这个章节为空') #推断网络连接情况,防止连接失败后程序报错
elif requests.get(line).status_code == 200:
print '连接成功!'
r = requests.get(line).content #遍历打开全部url
title=BeautifulSoup(r).find("div",{'class':"post_title"}).h2 #取出标题
content=BeautifulSoup(r).findAll("div",{'class':"post_entry"}) #取出内容
sti=str(title).replace('<h2>','').replace('</h2>','') #处理标题。仅仅保留文字 #处理内容,仅仅保留文字
scon = str(content).replace('<p>',' ').replace('</p>',' ').replace('<br/>','\n')
#print str(urllist)
scon = re.sub("<.*>", "", scon)
scon = re.sub("(.*?);","",scon)
#scon = scon.strip()
scon = '\n'.join(scon.split()) print scon
outfile.write(sti+'\n'+line+'\n'+scon) #将标题。链接,内容写进文件里
#i=i+1
#print urllist print '=========================下载结束=======================' #关闭文件
outfile.close()
ot.close() #取出指定目录下的全部文件名称
targetDir=s+d+namef
for line in os.listdir(targetDir): p=re.compile(r'neirong[0-9]{1}') #用正则匹配
if p.match(line)!=None:
print "须要删除的文件"+s+d+namef+d+line+'!!'
os.remove(s+d+namef+d+line) #匹配成功就删除这个文件,os.remove()中须要完整路径
else:
print '保留文件。'
continue
python 站点爬虫 下载在线盗墓笔记小说到本地的脚本的更多相关文章
- Python 应用爬虫下载QQ音乐
Python应用爬虫下载QQ音乐 目录: 1.简介怎样实现下载QQ音乐的过程: 2.代码 1.下载QQ音乐的过程 首先我们先来到QQ音乐的官网: https://y.qq.com/,在搜索栏上输入一首 ...
- Python 应用爬虫下载酷狗音乐
应用爬虫下载酷狗音乐 首先我们需要进入到这个界面 想要爬取这些歌曲链接,然而这个是一个假的网站,虽然单机右键进行检查能看到这些歌曲的链接,可进行爬取时,却爬取不到这些信息. 这个时候我们就应该换一种思 ...
- python3爬虫——下载unsplash美图到本地
最近发现一个网站www.unsplash.com ( 没有广告费哈,纯粹觉得不错 ),网页做得很美观,上面也都是一些免费的摄影照片,觉得很好看,就决定利用蹩脚的技能写个爬虫下载图片. 先随意感受一下这 ...
- Python网络爬虫 - 下载图片
下载博客园的logo from urllib.request import urlretrieve from urllib.request import urlopen from bs4 import ...
- python从爬虫基础到爬取网络小说实例
一.爬虫基础 1.1 requests类 1.1.1 request的7个方法 requests.request() 实例化一个对象,拥有以下方法 requests.get(url, *args) r ...
- 初次尝试python爬虫,爬取小说网站的小说。
本次是小阿鹏,第一次通过python爬虫去爬一个小说网站的小说. 下面直接上菜. 1.首先我需要导入相应的包,这里我采用了第三方模块的架包,requests.requests是python实现的简单易 ...
- 从零开始学Python网络爬虫PDF高清完整版免费下载|百度网盘
百度网盘:从零开始学Python网络爬虫PDF高清完整版免费下载 提取码:wy36 目录 前言第1章 Python零基础语法入门 11.1 Python与PyCharm安装 11.1.1 Python ...
- python网络爬虫实战PDF高清完整版免费下载|百度云盘|Python基础教程免费电子书
点击获取提取码:vg1y python网络爬虫实战帮助读者学习Python并开发出符合自己要求的网络爬虫.网络爬虫,又被称为网页蜘蛛,网络机器人,是一种按照一定的规则,自动地抓取互联网信息的程序或者脚 ...
- python简易爬虫来实现自动图片下载
菜鸟新人刚刚入住博客园,先发个之前写的简易爬虫的实现吧,水平有限请轻喷. 估计利用python实现爬虫的程序网上已经有太多了,不过新人用来练手学习python确实是个不错的选择.本人借鉴网上的部分实现 ...
随机推荐
- [Swust OJ 649]--NBA Finals(dp,后台略(hen)坑)
题目链接:http://acm.swust.edu.cn/problem/649/ Time limit(ms): 1000 Memory limit(kb): 65535 Consider two ...
- BZOJ 2431: [HAOI2009]逆序对数列( dp )
dp(i,j)表示1~i的全部排列中逆序对数为j的个数. 从1~i-1的全部排列中加入i, 那么可以产生的逆序对数为0~i-1, 所以 dp(i,j) = Σ dp(i-1,k) (j-i+1 ≤ k ...
- ZOJ 2968 Difference Game 【贪心 + 二分】
题意: 有Ga.Gb两堆数字,初始时两堆数量相同.从一一堆中移一一个数字到另一一堆的花费定义为两堆之间数 量差的绝对值,初始时共有钱C.求移动后Ga的最小小值减Gb的最大大值可能的最大大值. 思路: ...
- USACO Ski Course Design 暴力
从Min到Max范围内暴力一下即可. /* ID: wushuai2 PROG: skidesign LANG: C++ */ //#pragma comment(linker, "/STA ...
- 【HTTP 2】启用 HTTP 2(Starting HTTP/2)
[HTTP 2]启用 HTTP 2(Starting HTTP/2) 四月 1, 2016 ~ LITECODES 前情提要 在上一篇文章<[HTTP 2]HTTP/2 协议概述(HTTP/2 ...
- ACM第三次比赛 Big Chocolate
Problem G Big Chocolate Mohammad has recently visited Switzerland . As he loves his friends very muc ...
- Chrome 快捷键
chrome窗口和标签页快捷键: Ctrl+N 打开新窗口 Ctrl+T 打开新标签页 Ctrl+Shift+N 在隐身模式下打开新窗口 Ctrl+O,然后选择文件 在谷歌浏览器中打开计算机上的文件 ...
- 04-OC属性的使用、自动释放池、封装和继承
目录: 一.IOS6声明式属性的使用 二.autoreleasepool自动释放池 三.封装.继承 回到顶部 一.IOS6声明式属性的使用 注:声明式属性默认情况下,并没有解决内存问题, 当使用@pr ...
- jQuery 简单滑动轮播图效果
一般页面简单轮播图效果用jQuery制作更加简单.我们来看看以下效果是如何来进行制作的. 其html结构下所示: <div id="box"> < ...
- [C#] 网页Html转PDF档(一行程式码解决)
原文 [C#] 网页Html转PDF档(一行程式码解决) 网页转PDF档做法很多( Convert HTML to PDF in .NET ) 这边纪录一下老外最多人加分的那篇做法,使用wkhtmto ...