本帖最后由 wapys 于 2022-11-20 16:49 编辑
连续采集一万多章节，基本无错误
原贴链接：【Python爬虫】用多线程爬取小说，下载速度快了N倍！ - 『编程语言区』 - 吾爱破解 - LCG - LSG |安卓破解|病毒分析|www.52pojie.cn
只是测试了程序里的这个网站，其他的没做测试！
小改了一下，代码如下：
[Python] 纯文本查看 复制代码 import requests
import shutil
import re,time
from lxml import etree
from concurrent.futures import ThreadPoolExecutor
import os
# ---------------------------------------------------------------------------------
# 支持站点：
# 八一中文网（81zw.com）
# 顶点小说（23usp.com）
#笔趣阁（bqg.org，qbiqu.com，52bqg.net等全部站点）
#天籁小说（xs.23sk.com）
# --------------------------------------------------------------------------------
if not os.path.exists('./缓存'): #创建缓存文件夹来存放抓取的每一章节文件
os.mkdir('./缓存')
# 下面这三行如果下载一部分，没下载完那就可以 注释掉 再运行！下面有已下载检查，下载过的章节不用重复下载
else: #如不存在则创建文件夹，如存在则清空再创建
shutil.rmtree('./缓存')
os.mkdir('./缓存')
url='https://www.23usp.com/xs_1511/'
# url='https://www.81zw.com/book/40352/'
# url='https://www.bqg.org/2_2977/'
# url='https://www.qbiqu.com/0_1/'
# url='https://www.52bqg.net/book_99524/'
# url='https://xs.23sk.com/files/article/html/22/22295/'
reg='(https://.*?)\/'
if '23usp' in url or '81zw' in url or '23sk' in url:
homeUrl=re.findall(reg,url,re.S)[0]
else:
homeUrl=url
headers={
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0'
}
def choiceCode(homeUrl):
if '23usp' in homeUrl or '23sk' in homeUrl: #转码，否则有乱码
return 'gbk'
elif '81zw' in homeUrl:
return 'utf-8'
else:
return 'GB2312'
homePage=requests.get(url=url,headers=headers) #抓取主页面html数据
homePage.encoding=choiceCode(homeUrl) #转码
tree=etree.HTML(homePage.text)
zhangJie_list=tree.xpath('//dd//a/@href') #获取每一章的页面相对地址
title=tree.xpath('//h1/text()')[0] #获取小说名字
zjNameList=[]
zhangJie_list=list(set(zhangJie_list)) #去重
for u in zhangJie_list: #每一章的URL地址中提取一串数字作为存储每一章的文件名
zhangjietxtname=u.split('/')[-1].split('.')[0]
zjNameList.append(int(zhangjietxtname))
zjNameList.sort() #章节排序
def downtxt(url): #下载每一章的函数
zhangjie_url=homeUrl+url
txtName=url.split('/')[-1].split('.')[0] #获取每一章URL地址中的一串数字作为文件名字
if os.path.exists('./缓存/{}.txt'.format(txtName)): #这里是查重，如果有重复文件就不继续采集了
print(zhangjie_url,"\n 已采集，执行下一个")
else:
try:
zhangjie_sourse=requests.get(url=zhangjie_url,headers=headers)
zhangjie_true = None #这一句是记录是否采集成功
except:
for i in range(6):
time.sleep(5) # 采集错误的一次停止5秒再试
try:
zhangjie_sourse=requests.get(url=zhangjie_url,headers=headers)
zhangjie_true = None #这一句是记录是否采集成功
break #如果没出错跳出循环，否则继续循环
except:
i += 1
print(url+' '*10+'第%s次下载失败'%i) # 记录失败了多少次，大于六次就退出
if zhangjie_true != None:
with open('./错误网址.txt','a',encoding='utf-8') as f:
f.write(url+'\n')
print(url+' '*10+'下载失败') #采集错误的记录在这个文件里
# pass
if zhangjie_true == None:
zhangjie_sourse.encoding = choiceCode(homeUrl) #章节页面内容转码
zhangjie_sourse=zhangjie_sourse.text
tree=etree.HTML(zhangjie_sourse)
title=tree.xpath('//h1/text()')[0] #获取每一章名字
txt=tree.xpath('//div[@id="content"]/text()') #获取每一章文本内容
with open('./缓存/{}.txt'.format(txtName),'w',encoding='UTF-8') as f:
f.write('\n'+title+'\n') #保存章节名字到文本文件
for line in txt: #保存章节内容到文本文件，循环保存每一行
f.write(line)
print(title+' '*10+'下载成功')
else:
print(url+' '*10+'下载失败')
def combine_txt(): #合并所有章节文件函数
with open('./{}.txt'.format(title),'a',encoding='utf-8') as f:
for txt in zjNameList: #循环打开缓存中每一章的内容保存到新的文件中
path='./缓存/{}.txt'.format(txt) #设置存放路径
content=open(path,'r',encoding='utf-8').read() #打开每章节文件
f.write(content)
os.remove(path)
def mistake_txt(): # 这个函数把错误网址在合并文件前再重新采集一遍
with open('./错误网址.txt','w+',encoding='utf-8') as f:
ff = f.readlines()
ii = len(ff)
print("共{}条数据。".format(ii))
print("-"*30)
if ii>0:
i = 1
for line in ff:
print("下面采集第 {} 条数据。".format(i))
downtxt(line)
i += 1
print("错误网址已经采集完毕！")
else:
print("你没有、没有出错网址！")
print("-"*30)
with ThreadPoolExecutor(15) as Pool: #使用线程池，设置15个线程，可修改
Pool.map(downtxt,zhangJie_list)
print('！！！下载完毕，开始检查有没有错漏章节，请稍等。。。！！！')
mistake_txt()
print('！！！下载完毕，开始合并，请稍等。。。！！！')
combine_txt() #执行合并函数
os.removedirs('./缓存')
print('！！！全部完成！！！！')
重新修改了一下注释！方便调用！ | 
[复制链接]
发表于 2022-11-20 13:15
|
发表于 2023-3-12 10:45
