随便说点什么
因为在学python,所有自然而然的就掉进了爬虫这个坑里,好吧,主要是因为我觉得爬虫比较酷,才入坑的。
想想看,你可以批量自动的采集互联网上海量的资料数据,是多么令人激动啊!
所以我就被这块大蛋糕吸引过来了 :)
想学爬虫自然要去找学习资料了,不过网上有很多,我找了不少,个人觉得崔庆才的爬虫教程写得不错。起码对我来说,入门是够了。
感兴趣的朋友可以点进链接看看:Python爬虫学习系列教程 <==这位兄台博客做得也很好
掌握了基本的爬虫知识,主要是urllib,urlib2,re 这些库,以及Request(),urlopen()的基本用法之后,我就开始寻找爬取目标。
正好女朋友的哥哥让她帮忙下载小说,找我推荐几本,我一时也不知道他哥喜欢什么类型的,心想干脆找个小说网批量下载一些小说。
于是说干就干,用了一个中午时间写了一个粗糙的爬虫脚本,启动发现可以运行,让脚本在这儿跑着,我回去躺在床上呼呼大睡。
起来之后发现脚本遇到错误,停掉了,于是debug,干掉bug之后跑起来陆续又发现几个错误,于是干脆在一些容易出错的地方,例如urlopen()请求服务器的地方,本地write()写入的地方(是的,这也会有超时错误!)加入了try-except捕获错误进行处理,另外加入了socket.timeout网络超时限制,修修补补之后总算可以顺畅的运行。
如此,运行了两天,爬虫脚本把这个小说网上的几乎所有小说都下载到了本地,一共27000+本小说,一共40G。
自此,大功告成,打包发了过去。另外说一句,百度云真坑,每次上传数量有限制,分享给朋友文件数量有限制,分享的文件夹大小也有限制,害的我还得整成压缩版才能分享。
下载界面
下面附上代码
1 #coding=utf-8
2 import urllib
3 import urllib2
4 import re
5 import os
6
7 webroot = 'http://www.xuanshu.com'
8
9 for page in range(20,220):
10 print '正在下载第'+str(page)+'页小说'
11
12 url = 'http://www.xuanshu.com/soft/sort02/index_'+str(page)+'.html'
13 headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' }
14 try:
15 request = urllib2.Request(url,headers=headers)
16 response = urllib2.urlopen(request,timeout=180)
17 #print response.read()
18 except urllib2.URLError, e:
19 if hasattr(e,"code"):
20 print e.code
21 if hasattr(e,"reason"):
22 print e.reason
23
24 html = response.read().decode('utf-8')
25 #print html
26 pattern = re.compile(u'<li>.*?<div class="s">.*?target="_blank">(.*?)</a><br />大小:(.*?)<br>.*?</em><br>更新:(.*?)</div>.*?<a href="(.*?)"><img.*?>(.*?)</a>.*?<div class="u">(.*?)</div>',re.S)
27 items = re.findall(pattern,html)
28 #print items
29
30 for item in items:
31 try:
32 book_auther = item[0].encode('gbk')
33 book_size = item[1].encode('gbk')
34 book_updatetime = item[2].encode('gbk')
35 book_link = item[3].encode('gbk')
36 book_name = item[4].encode('gbk')
37 book_note = item[5].encode('gbk')
38
39 book_full_link = webroot + book_link # 构建书的绝对地址
40
41 #请求地址
42 try:
43 request = urllib2.Request(book_full_link,headers=headers)
44 response = urllib2.urlopen(request,timeout=180)
45 except urllib2.URLError, e:
46 if hasattr(e,"code"):
47 print e.code
48 if hasattr(e,"reason"):
49 print e.reason
50 html = response.read().decode('utf-8')
51 #print html
52 pattern = re.compile('<a class="downButton.*?<a class="downButton" href=\'(.*?)\'.*?Txt.*?</a>',re.S)
53 down_link = re.findall(pattern,html)
54 print book_name
55 print down_link
56
57 # down txt
58 try:
59 request = urllib2.Request(down_link[0].encode('utf-8'),headers=headers)
60 response = urllib2.urlopen(request,timeout=180)
61 except urllib2.URLError, e:
62 if hasattr(e,"code"):
63 print e.code
64 if hasattr(e,"reason"):
65 print e.reason
66 try:
67 fp = open(book_name+'.txt','w')
68 except IOError,e:
69 pattern = re.compile('<strong>.*?>(.*?)<.*?</strong>',re.S)
70 book_name = re.findall(pattern,book_name)
71 fp = open(book_name[0]+'.txt','w')
72 print 'start download'
73 fp.write(response.read())
74 print 'down finish\n'
75 fp.close()
76 except Exception,e:
77 print '该条目解析出现错误,忽略'
78 print e
79 print ''
80 fp = open('error.log','a')
81 fp.write('page:'+str(page)+'\n')
82 fp.write(item[4].encode('gbk'))
83 #fp.write(e)
84 fp.write('\nThere is an error in parsing process.\n\n')
85 fp.close()
86
87
注意
该脚本只定向抓取“选书网”小说站,“玄幻奇幻”分类下的小说。供网友们参考,可自行修改。
写得比较粗糙,勿喷……
Freecode# : www.cnblogs.com/yym2013