python爬虫高效爬取某趣阁小说
这次的代码是根据我之前的 笔趣阁爬取 的基础上修改的，因为使用的是自己的ip，所以在请求每个章节的时候需要设置sleep（4~5）才不会被封ip，那么在计算保存的时间，每个章节会花费6-7秒，如果爬取一部较长的小说时，时间会特别的长，所以这次我使用了代理ip。这样就可以不需要设置睡眠时间，直接大量访问。
一，获取免费ip
关于免费ip，我选择的是站大爷。因为免费ip的寿命很短，所以尽量要使用实时的ip，这里我专门使用getip.py来获取免费ip，代码会爬取最新的三十个ip，并以字典的形式返回两种，如{’http‘：’ip‘}，{’https‘：’ip‘}
！！！！！！这里是另写了一个py文件，后续正式写爬虫的时候会调用。
import requests
from lxml import etree
from time import sleep
def getip():
base_url = 'https://www.zdaye.com'
url = 'https://www.zdaye.com/dayProxy.html'
headers = {
"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"
}
res = requests.get(url, headers=headers)
res.encoding = "utf-8"
dom = etree.HTML(res.text)
sub_urls = dom.xpath('//h3[@class ="thread_title"]/a/@href')
sub_pages =[]
for sub_url in sub_urls:
for i in range(1, 11):
sub_page = (base_url + sub_url).rstrip('.html') + '/' + str(i) + '.html'
sub_pages.append(sub_page)
http_list = []
https_list = []
for sub in sub_pages[:3]:
sub_res = requests.get(sub, headers=headers)
sub_res.encoding = 'utf-8'
sub_dom = etree.HTML(sub_res.text)
ips = sub_dom.xpath('//tbody/tr/td[1]/text()')
ports = sub_dom.xpath('//tbody/tr/td[2]/text()')
types = sub_dom.xpath('//tbody/tr/td[4]/text()')
sleep(3)
sub_res.close()
for ip,port,type in zip(ips, ports,types):
proxies_http = {}
proxies_https= {}
http = 'http://' + ip + ':' + port
https = 'https://' + ip + ':' + port
#分别存储http和https两种
proxies_http['http'] = http
http_list.append(proxies_http)
proxies_https['https'] = https
https_list.append(proxies_https)
return http_list,https_list
if __name__ == '__main__':
http_list,https_list = getip()
print(http_list)
print(https_list)
二，完整代码放在最后后面了，这里的 from getip import getip 就是前面获取ip部分。
这里我收集数十个常用的请求头，将它们与三十个IP随机组合，共可以得到300个左右的组合。
这里我定义了三个函数用于实现功能。
biquge_get()函数：输入搜索页面的url，关于搜索的实现是修改url中的kw，在main函数中有体现。
--------------------------返回书籍首页的url和书名。
get_list()函数：输入biquge_get返回的url。
---------------------返回每个章节的url集合。
info_get()函数：输入url，ip池，请求头集，书名。
---------------------将每次的信息保存到本地。
info_get()函数中我定义四个变量a,b,c,d用于判断每个章节是否有信息返回，在代码中有写足够清晰的注释。
这里我讲一下我的思路，在for循环中，我循环的是章节长度的十倍。a，b，c的初始值都是0。
通过索引，url=li_list[a]可以请求每个章节内容，a的自增实现跳到下一个url。但是在大量的请求中也会有无法访问的情况，所以在返回的信息 ’ text1 ‘ 为空的情况a-=1，那么在下一次循环是依旧会访问上次没有结果的url。
这里我遇到了一个坑，我在测试爬取的时候会打印a的值用于观察，出现它一直打印同一个章节数‘340’直到循环结束的情况，此时我以为是无法访问了。后来我找到网页对照，发现这个章节本来就没有内容，是空的，所以程序会一直卡在这里。所以我设置了另外两个变量b，c。
1，使用变量b来存放未变化的a，若下次循环b与a相等，说明此次请求没有成功，c++，因为某些页面本身存在错误没有数据，则需要跳过。
2，若c大于10，说明超过十次的请求,都因为一些缘由失败了，则a++，跳过这一章节，同时变量d减一，避免后续跳出循环时出现索引错误
最后是变量d，d的初始值设置为章节长度，d = len(li_list)，a增加到与d相同时说明此时li_list的所有url都使用完了，那么就需要跳出循环。
然后就是将取出的数据保存了。
最后测试，一共1676章，初始速度大概一秒能下载两章内容左右。
爬取完成，共计用了10分钟左右。
import requests
from lxml import etree
from getip import getip
import random
import time
headers= {
"User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"
}
'''
kw输入完成搜索,打印所有的搜索结果
返回选择的书籍的url
'''
def biquge_get(url):
book_info = []
r = requests.get(url =url,
headers = headers,
timeout = 20
)
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
# 获取搜索结果的书名
bookname = html.xpath('//td[@class = "odd"]/a/text()')
bookauthor = html.xpath('//td[@class = "odd"]/text()')
bookurl = html.xpath('//td[@class = "odd"]/a/@href')
print('搜索结果如下:\n')
a = 1
b = 1
for i in bookname:
print(str(a) + ':', i, '\t作者：', bookauthor[int(b - 1)])
book_info.append([str(a),i,bookurl[a-1]])
a = a + 1
b = b + 2
c = input('请选择你要下载的小说(输入对应书籍的编号):')
book_name = str(bookname[int(c) - 1])
print(book_name, '开始检索章节')
url2 = html.xpath('//td[@class = "odd"]/a/@href')[int(c) - 1]
r.close()
return url2,book_name
'''
输入书籍的url，返回每一章节的url
'''
def get_list(url):
r = requests.get(url = url,
headers = headers,
timeout = 20)
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
# 解析章节
li_list = html.xpath('//*[@id="list"]/dl//a/@href')[9:]
return li_list
#请求头集
user_agent = [
"Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52"]
'''
参数：url，ip池，请求头集，书名
'''
def info_get(li_list,ip_list,headers,book_name):
print('共计'+str(len(li_list))+'章')
'''
a,用于计数，成功请求到html并完成后续的存写数据才会继续请求下一个url
b,在循环中存放未经过信息返回存储判断的a，用于与下一次循环的a作比较，判断a是否有变化
c,若超过10次b=a，c会自增，则说明应该跳过此章节，同时d减一
d,章节长度
'''
a = 0
b = 0
c = 0
d = len(li_list)
fp = open('./'+str(book_name)+'.txt', 'w', encoding='utf-8')
#这里循环了10倍次数的章节，防止无法爬取完所有的信息。
for i in range(10*len(li_list)):
url = li_list[a]
#判断使用http还是https
if url[4:5] == "s":
proxies = random.choice(ip_list[0])
else:
proxies = random.choice(ip_list[1])
try:
r = requests.get(url=url,
headers={'User-Agent': random.choice(headers)},
proxies=proxies,
timeout=5
)
r.encoding = r.apparent_encoding
r_text = r.text
html = etree.HTML(r_text)
try:
title = html.xpath('/html/body/div/div/div/div/h1/text()')[0]
except:
title = html.xpath('/html/body/div/div/div/div/h1/text()')
text = html.xpath('//*[@id="content"]/p/text()')
text1 = []
for i in text:
text1.append(i[2:])
'''
使用变量b来存放未变化的a，若下次循环b与a相等，说明此次请求没有成功，c++，因为某些页面本身存在错误没有数据，则需要跳过。
若c大于10，说明超过十次的请求,都因为一些缘由失败了，则a++，跳过这一章节，同时变量d减一，避免后续跳出循环时出现索引错误
'''
if b == a:
c += 1
if c > 10:
a += 1
c = 0
d -=1
b = a
#a+1，跳到下一个url，若没有取出信息则a-1.再次请求,若有数据返回则保存
a+=1
if len(text1) ==0:
a-=1
else:
fp.write('第'+str(a+1)+'章'+str(title) + ':\n' +'\t'+str(','.join(text1) + '\n\n'))
print('《'+str(title)+'》','下载成功！')
r.close()
except EnvironmentError as e:
pass
# a是作为索引在li_list中取出对应的url，所以最后a的值等于li_list长度-1，并以此为判断标准是否跳出循环。
if a == d:
break
fp.close()
if __name__ == '__main__':
kw = input('请输入你要搜索的小说:')
url = f'http://www.b520.cc/modules/article/search.php?searchkey={kw}'
bookurl,book_name = biquge_get(url)
li_list = get_list(bookurl)
ip_list = getip()
t1 = time.time()
info_get(li_list,ip_list,user_agent,book_name)
t2 = time.time()
print('耗时'+str((t2-t1)/60)+'min')