吾爱破解 - 52pojie.cn

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

查看: 4636|回复: 19
收起左侧

[Python 转载] 零基础写python小说爬虫--如何使用多线程爬取笔趣阁

[复制链接]
三木猿 发表于 2020-9-1 12:52
在上一篇文章的代码基础上,本次引入多线程增加爬取速度
看那本篇之前可以先看单线程的
https://www.52pojie.cn/thread-1257875-1-1.html

1.在原代码基础上加入分割list方法
[Python] 纯文本查看 复制代码
#each:分割为几个list
# ls :list
def split_list(ls, each):
    list = []
    eachExact = float(each)
    groupCount =int(len(ls) // each)#整除 例:3/2取值为1
    groupCountExact =math.ceil(len(ls) / eachExact)#向上取整 例:3/2取值为2
    start = 0
    for i in xrange(each):
        if i == each-1 & groupCount < groupCountExact:  # 假如有余数,将剩余的所有元素加入到最后一个分组
            list.append(ls[start:len(ls)])#ls[start:len(ls)] 从start开始截取到ls的最后一位,len(ls)取ls的长度
        else:
            list.append(ls[start:start + groupCount])
        start = start + groupCount
#这里的返回值类似于java中的List[],里面包含each个list
    return list

2.分割完成以后就是代码改造了,因为要分多个线程执行,每个线程执行不冲突的内容,所以保存为txt的方法需要单独分割出来
[Python] 纯文本查看 复制代码
def download_book(split_dds, bookName):    file_handle = open('D:/SanMu/' + bookName + '.txt', mode='w')
    for dd in split_dds:
        beautiful_soup = BeautifulSoup(download_page(dd.find('a')['href']))
        name = beautiful_soup.find_all('h1')[0].text
        file_handle.write(name)
        file_handle.write('\r\n')
        catalogue_html = str(beautiful_soup.find('div', attrs={'id': 'content'}))
        html_replace = catalogue_html.replace("<div id=\"content\">", "")
        replace = html_replace.replace("/n", "").replace(
            "</div>", "").replace("<p>", "")
        split = replace.split("</p>")
        for p_ in split:
            file_handle.write(p_)
            file_handle.write('\r\n')
    file_handle.close()

3.然后就是创建线程
[Python] 纯文本查看 复制代码
class myThread (threading.Thread):
    def __init__(self, split_dds, name):
        threading.Thread.__init__(self)
        self.name = name
        self.split_dds = split_dds
    def run(self):
        print("开始线程:" + self.name)
        download_book(self.split_dds, self.name)#看到run方法就知道这是线程要执行的内容
        print("退出线程:" + self.name)

4.之后开启线程
[Asm] 纯文本查看 复制代码
try:
            thread1 = myThread(split_dds[0], movie_name_list[count] + "1")#分别下载为三个文件,之后再进行整合,这样的好处是三个线程分开执行不同内容,互不影响
            thread2 = myThread(split_dds[1], movie_name_list[count] + "2")
            thread3 = myThread(split_dds[2], movie_name_list[count] + "3")
            thread1.start()
            thread2.start()
            thread3.start()
            thread1.join()
            thread2.join()
            thread3.join()
        except:
            pass
        while 1:
            pass

5.最后把3个文件合并就基本结束了
[Asm] 纯文本查看 复制代码
def combineText(bookName, count):
    combine = 'D:/SanMu/' + bookName + '.txt'
    t = open(combine, mode='w', encoding='utf-8')
    for i in xrange(count):
        txt = 'D:/SanMu/' + bookName + str(i+1) + '.txt'
        with open(txt, mode='r', encoding='utf-8') as f:  # 打开文件
            data = f.read()  # 读取文件
            t.write(data)
            f.close()
            if os.path.exists(txt):
                # 如果文件存在
                #删除文件,可使用以下两种方法。
                os.remove(txt)
    t.close()

6.以上代码,基本实现多线程,但是还有很大问题,因为多线程频繁的调用biquge,所以网站会把当成攻击,所以隔一段时间会访问不到页面,这时候爬下来的就是503.解决办法是出现503便让线程休眠3秒,然后再次请求
[Python] 纯文本查看 复制代码
import math
import threading
import time
import os

import requests
from bs4 import BeautifulSoup
from urllib3.connectionpool import xrange


def combineText(bookName, count):
    combine = 'D:/SanMu/' + bookName + '.txt'
    t = open(combine, mode='w', encoding='utf-8')
    for i in xrange(count):
        txt = 'D:/SanMu/' + bookName + str(i+1) + '.txt'
        with open(txt, mode='r', encoding='utf-8') as f:  # 打开文件
            data = f.read()  # 读取文件
            t.write(data)
            f.close()
            if os.path.exists(txt):
                # 如果文件存在
                #删除文件,可使用以下两种方法。
                os.remove(txt)
    t.close()


def split_list(ls, each):
    list = []
    eachExact = float(each)
    groupCount =int(len(ls) // each)
    groupCountExact =math.ceil(len(ls) / eachExact)
    start = 0
    for i in xrange(each):
        if i == each-1 & groupCount < groupCountExact:  # 假如有余数,将剩余的所有元素加入到最后一个分组
            list.append(ls[start:len(ls)])
        else:
            list.append(ls[start:start + groupCount])
        start = start + groupCount

    return list


def download_page(url):
    try:
        data = requests.get(url).content
        if str(data).find('503 Service Temporarily Unavailable') > 0:
            print("503空数据休眠3秒")
            time.sleep(3)
            data = requests.get(url).content
    except:
        time.sleep(3)
        data = requests.get(url).content
    return data

class myThread (threading.Thread):
    def __init__(self, split_dds, name):
        threading.Thread.__init__(self)
        self.name = name
        self.split_dds = split_dds
    def run(self):
        print("开始线程:" + self.name)
        download_book(self.split_dds, self.name)
        print("退出线程:" + self.name)


def download_book(split_dds, bookName):
    file_handle = open('D:/SanMu/'+bookName+'.txt', mode='w', encoding='utf-8')
    for dd in split_dds:
        beautiful_soup = BeautifulSoup(download_page(dd.find('a')['href']))
        name = beautiful_soup.find_all('h1')[0].text
        # if name.find('503') > 0:
        #     time.sleep(3)
        #     print("503空数据")
        #     beautiful_soup = BeautifulSoup(download_page(dd.find('a')['href']))
        file_handle.write(name)
        file_handle.write('\r\n')
        catalogue_html = str(beautiful_soup.find('div', attrs={'id': 'content'}))
        html_replace = catalogue_html.replace("<div id=\"content\">", "")
        replace = html_replace.replace("/n", "").replace(
            "</div>", "").replace("<p>", "")
        split = replace.split("</p>")
        for p_ in split:
            try:
                file_handle.write(p_)
                file_handle.write('\r\n')
            except:
                pass
    file_handle.close()


def parse_html(html):
    soup = BeautifulSoup(html)
    movie_list_soup = soup.find('table')
    # print(movie_list_soup)
    movie_list = []
    movie_name_list = []
    if movie_list_soup is not None:
        i = 1
        for movie_li in movie_list_soup.find_all('tr'):
            if movie_li.find_all('th'):
                continue
            a_ = movie_li.find_all('td', attrs={'class': 'odd'})[0].find('a')
            print(i, '.', a_.text)
            movie_list.append(a_['href'])
            movie_name_list.append(a_.text)
            i = i + 1
        count = int(input('请输入书籍序号')) - 1
        page = BeautifulSoup(download_page(movie_list[count]))
        dds = page.find_all('dd')
        print('本次下载共'+str(len(dds))+'章')
        split_dds = split_list(dds, 3)
        try:
            book_name = movie_name_list[count]
            thread1 = myThread(split_dds[0], book_name + "1")
            thread2 = myThread(split_dds[1], book_name + "2")
            thread3 = myThread(split_dds[2], book_name + "3")
            thread1.start()
            thread2.start()
            thread3.start()
            thread1.join()
            thread2.join()
            thread3.join()
            combineText(book_name, 3)
        except:
            pass
        while 1:
            pass


def main():
    parse_html(download_page("https://www.biquge5200.com/modules/article/search.php?searchkey=" + input("搜索:")))


main()

以上便是多线程爬取小说的全部内容,其实还是有点问题,503就算是休眠3秒,依然会出现,如果休眠时间长的话,又影响效率,所以暂时没有什么完美的办法
,如果不在乎效率的话可以适当加大休眠时间

免费评分

参与人数 4吾爱币 +8 热心值 +4 收起 理由
l2430478 + 1 谢谢@Thanks!
苏紫方璇 + 7 + 1 欢迎分析讨论交流,吾爱破解论坛有你更精彩!
windylove + 1 我很赞同!
elevo + 1 + 1 热心回复!

查看全部评分

本帖被以下淘专辑推荐:

发帖前要善用论坛搜索功能,那里可能会有你要找的答案或者已经有人发布过相同内容了,请勿重复发帖。

minibeetuaman 发表于 2020-9-1 15:05
多线程要考虑由于某个线程网络访问超时导致程序无法正常结束,能把这个完成基本就很稳定了
 楼主| 三木猿 发表于 2020-9-1 13:02
tigadog 发表于 2020-9-1 12:59
可以读取到刚发布的最新内容以及Vip内容吗

铁子,这个是爬取的笔趣阁的小说,没有vip之说,另外各大网站需要VIP才能看的内容爬虫是爬取不了的,就算能爬,这玩意也不能发不来呀
tigadog 发表于 2020-9-1 12:59
wangs_82 发表于 2020-9-1 13:01
收藏下,慢慢学习
 楼主| 三木猿 发表于 2020-9-1 13:14
线程没退出的问题,把while 1: pass改为 while 1:
    break
lsy832 发表于 2020-9-1 13:29
想起那句话    笔趣阁有你的小说是伤心,笔趣阁都没你的小说更伤心
薄晚西风 发表于 2020-9-1 13:33
学习下,正好打算做数据分析
Zeaf 发表于 2020-9-1 13:41
啥时候来个协程的教程
这个多线程貌似还不够快
yc0205 发表于 2020-9-1 13:52
牛!!!正在自学中
elevo 发表于 2020-9-1 14:04
优秀啊,对于一个初学者来说完全看不懂
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则

返回列表

RSS订阅|小黑屋|处罚记录|联系我们|吾爱破解 - LCG - LSG ( 京ICP备16042023号 | 京公网安备 11010502030087号 )

GMT+8, 2024-11-22 04:00

Powered by Discuz!

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表