python爬虫多线程爬取网站排行榜上的所有小说

时间：06-28来源：作者：点击数：

忽然有兴趣想试试把某网络小说网站上所有的小说都给爬下来。就拿17K小说网开刀，先把这个网站免费排行榜上的所有小说都弄下来。

之前发过贴，如何将一本小说爬取出来，以及简单规避网站安全系统。这次爬取多本的话，无非是在最外层再加一个循环，然后以多线程的方式启动，对每一部小说进行爬取，就不描述的太具体了。

完整代码在最后。

环境

依然是python3+pycharm，安装第三方库requests、threading

import os
import requests
import re
import time
import random
import threading

获取排行榜top上的所有小说地址

17K小说免费排行榜地址：

https://www.17k.com/top/refactor/top100/06_vipclick/06_click_freeBook_top_100_pc.html.

依然是先写好方法，获取html。最好是将html打印到本地，便于观察html，找出小说url的正则规律

#获取网页html
def get_htmlcode(url):
    try:
        urlhtml = requests.get(url)
        htmlcode = urlhtml.content
    # path = open('Txt/html.txt','wb')
    # path.write(htmlcode)
    # path.close()
    except:
        htmlcode = 'error'
    return htmlcode

加一个try是为了避免网站服务出现问题导致程序跑不过。

分析排行榜top100页面的html，获取所有小说的url

通过对html进行分析，以 <a class=“red” href=" 开头、 " title=’ 结尾，中间的部分就是各小说的url。

对正则后的列表进行统计数量，发现爬取出了900个小说url。当时很震惊，明明是top100 ，为什么爬了900个？开始还以为是自己正则的规律选错了。后来对网站进行审查，发现这个top 100分男生、女生、全站三大类，每个大类里又细分了周榜、月榜、总榜。3乘以3，正好是900。只不过这个时候就需要对爬取的900个url进行去重了，最后获得了408个小说地址。

但是此时的url还不是完整url，缺少了https前缀。

同时还需要将每个小说url中的book替换成list，这样就是每个小说的章节目录地址了。

#获取所有免费top榜的txt地址，去重，再完善地址路径
def get_topfree_list(htmlcode):
    reg = '</a></td><td><a class="red" href="(.+?)" title='
    reg_msg = re.compile(reg)
    list_all = reg_msg.findall(htmlcode.decode())
    #去重
    list_temp = list(set(list_all))
    list_top = []
    #完善地址，加上https前缀，并将book替换成list
    for i in list_temp:
        i = 'https:'+ i
        i = i.replace('book','list')
        list_top.append(i)
    return list_top

遍历小说列表url到生成txt

上一部获取了所有小说的章节目录地址了，并存在了一个列表中。我们只要对这个列表进行遍历，再从章节目录地址的html中去获取每一章的地址，最后再遍历每一章的地址，从html中去得到小说的正文。这样就对得上了。

这一步的具体过程在上个帖子中已经具体介绍过了，就不细说了。

另这个网站很奇怪，虽说是免费榜，但是有的小说的部分章节又被锁住了，导致咱们在按照正则去获取章节名和小说正文时，因为匹配不到而报错。好在绝大部分锁住的章节html中规律还是比较明显的，就是会出现"该章节已被锁定"这些字眼，于是加了这么个方法：

#判断是否被锁定
def insert_lock(htmlcode):
    str1 =htmlcode.decode()
    str2 ='<h1>该章节已被锁定</h1>'
    temp = str1.find(str2)
    return temp

当返回的值不为-1时，则证明没有被锁定。

此步骤完整代码

#从小说章节列表地址到爬取完成
def get_novel_all(chapter_url):
    # 章节列表网站的html
    Htmlcode_chapter_list = get_htmlcode(chapter_url)
    if Htmlcode_chapter_list == 'error':
        print('~~~~~~~~~~~~~17K小说地址出错了：%s，请稍后再试~~~~~~~~~~~~~'%chapter_url)
    else:
        # 获取小说名称
        Novel_name = get_novel_name(Htmlcode_chapter_list)
        Novel_name_str = str(Novel_name)
        # 从源码中匹配出所有章节的地址
        Chapter_list = get_chapter_list(Htmlcode_chapter_list)
        # 创建TXT文件并打开
        path = open('17k/' + Novel_name_str + '.txt', 'a',encoding='utf-8')
        # 写入小说名称
        path.write('~~~~~~%s~~~~~~' % Novel_name_str)
        path.write('\n\n\n')
        flag = 0
        # 循环处理每个章节地址
        for l in Chapter_list:
            # 逐一处理章节地址，加上前缀
            url_chapter = 'https://www.17k.com/chapter/'+l+'.html'
            flag += 1
            print(url_chapter)
            # 获取具体章节的html
            Htmlcode = get_htmlcode(url_chapter)
            # 从章节的html中得到章节名
            Subject = get_subject(Htmlcode)
            Temp = insert_lock(Htmlcode)
            if Temp == -1:
                # 从html中得到小说
                Novel = get_novel(Htmlcode)
                # 输入到最终TXT中
                path.write(str(Subject))
                path.write('\n')
                for j in Novel:
                    path.write('   ')
                    path.write(j)
                    path.write('\n')
                path.write('\n\n')
                # 加一个提示信息
                print('章节%s %s打印结束' % (Novel_name_str, Subject))
                # 短暂随机休息，防止被网站后台封禁
                time.sleep(round(random.uniform(0.2, 0.5), 2))
            else:
                print('章节%s爬取失败'%Subject)
                path.write('\n')
                path.write(str(Subject))
                path.write('\n')
        path.close()
        print('小说%s爬取完成' % Novel_name_str)

这其中有一些调用的自定义方法和上一个帖子中的基本一致，因为爬取的是不同的小说网站，所以无非是正则表达式的写法会不同而已。相信跟着一起做过的同学都是没问题的。

多线程启动爬取任务

使用了threading中的Thread方法启动多线程。

在考虑启动多少个线程时，我纠结了一会。一方面是担心线程数太多的话，会被网站封禁，并且本机的网络和性能都会收到影响；另一方面又担心线程数太少的话，效率不高。

想多了之后，心里也把不住个结果。总共就500部小说不到，干脆就遍历列表，有多少元素就启动多少个线程。于是试运行了下，发现效果挺好的。

正好也合了那句话：重剑无锋，大巧不工。顺其自然，别打磨的太繁琐。

if __name__ =='__main__':
    Htmlcode_Freetop = get_htmlcode(url_list)
    #获取免费榜单所有小说的url
    Topfree_List = get_topfree_list(Htmlcode_Freetop)
    #循环启动多进程，设置间隔时间
    for i in Topfree_List:
        threading.Thread(target=get_novel_all, args=(i,)).start()
        time.sleep(0.5)
    print('免费榜单上的所有txt已爬取完成')

完整代码

import os
import requests
import re
import time
import random
import threading

#创建目录
if not os.path.exists('Txt'):
    os.mkdir('Txt')

#获取网页html
def get_htmlcode(url):
    try:
        urlhtml = requests.get(url)
        htmlcode = urlhtml.content
    # path = open('Txt/html.txt','wb')
    # path.write(htmlcode)
    # path.close()
    except:
        htmlcode = 'error'
    return htmlcode

#获取所有免费top榜的txt地址，去重，再完善地址路径
def get_topfree_list(htmlcode):
    reg = '</a></td><td><a class="red" href="(.+?)" title='
    reg_msg = re.compile(reg)
    list_all = reg_msg.findall(htmlcode.decode())
    #去重
    list_temp = list(set(list_all))
    list_top = []
    #完善地址，加上https前缀，并将book替换成list
    for i in list_temp:
        i = 'https:'+ i
        i = i.replace('book','list')
        list_top.append(i)
    return list_top

#获取小说名称
def get_novel_name(htmlcode):
    reg = '<h1 class="Title">(.+?)</h1>'
    reg_msg = re.compile(reg)
    novel_name = reg_msg.findall(htmlcode.decode())
    return novel_name

#获取章节地址列表（无https:前缀）
def get_chapter_list(htmlcode):
    htmldecode = htmlcode.decode()
    reg = r'href="/chapter/(.+?).html'
    reg_msg = re.compile(reg)
    chapter_list = reg_msg.findall(htmldecode)
    return chapter_list

#获取章节名称
def get_subject(htmlcode):
    reg = '<h1>(.+?)</h1>'
    reg_msg = re.compile(reg)
    subject = reg_msg.findall(htmlcode.decode())
    return subject

#获取正文,需要先切割再正则
def get_novel(htmlcode):
    htmldecode = htmlcode.decode()
    a = htmldecode.index('<div class="p">')
    b = htmldecode.index('<p class="copy ">')
    htmldecode_final = htmldecode[a:b]
    reg = '<p>(.+?)</p>'
    reg_msg = re.compile(reg)
    novel = reg_msg.findall(htmldecode_final)
    return novel

#判断是否被锁定
def insert_lock(htmlcode):
    str1 =htmlcode.decode()
    str2 ='<h1>该章节已被锁定</h1>'
    temp = str1.find(str2)
    return temp

#从小说章节列表地址到爬取完成
def get_novel_all(chapter_url):
    # 章节列表网站的html
    Htmlcode_chapter_list = get_htmlcode(chapter_url)
    if Htmlcode_chapter_list == 'error':
        print('~~~~~~~~~~~~~17K小说地址出错了：%s，请稍后再试~~~~~~~~~~~~~'%chapter_url)
    else:
        # 获取小说名称
        Novel_name = get_novel_name(Htmlcode_chapter_list)
        Novel_name_str = str(Novel_name)
        # 从源码中匹配出所有章节的地址
        Chapter_list = get_chapter_list(Htmlcode_chapter_list)
        # 创建TXT文件并打开
        path = open('17k/' + Novel_name_str + '.txt', 'a',encoding='utf-8')
        # 写入小说名称
        path.write('~~~~~~%s~~~~~~' % Novel_name_str)
        path.write('\n\n\n')
        flag = 0
        # 循环处理每个章节地址
        for l in Chapter_list:
            # 逐一处理章节地址，加上前缀
            url_chapter = 'https://www.17k.com/chapter/'+l+'.html'
            flag += 1
            print(url_chapter)
            # 获取具体章节的html
            Htmlcode = get_htmlcode(url_chapter)
            # 从章节的html中得到章节名
            Subject = get_subject(Htmlcode)
            Temp = insert_lock(Htmlcode)
            if Temp == -1:
                # 从html中得到小说
                Novel = get_novel(Htmlcode)
                # 输入到最终TXT中
                path.write(str(Subject))
                path.write('\n')
                for j in Novel:
                    path.write('   ')
                    path.write(j)
                    path.write('\n')
                path.write('\n\n')
                # 加一个提示信息
                print('章节%s %s打印结束' % (Novel_name_str, Subject))
                # 短暂随机休息，防止被网站后台封禁
                time.sleep(round(random.uniform(0.2, 0.5), 2))
            else:
                print('章节%s爬取失败'%Subject)
                path.write('\n')
                path.write(str(Subject))
                path.write('\n')
        path.close()
        print('小说%s爬取完成' % Novel_name_str)

url_list = 'https://www.17k.com/top/refactor/top100/06_vipclick/06_click_freeBook_top_100_pc.html'

if __name__ =='__main__':
    Htmlcode_Freetop = get_htmlcode(url_list)
    #获取免费榜单所有小说的url
    Topfree_List = get_topfree_list(Htmlcode_Freetop)
    #循环启动多进程，设置间隔时间
    for i in Topfree_List:
        threading.Thread(target=get_novel_all, args=(i,)).start()
        time.sleep(0.5)
    print('免费榜单上的所有txt已爬取完成')

总共407部小说，脚本跑大概15分钟后，爬完了405部，总共有300M。有两部因为章节数太多，一个是快5千章，另一个是接近上万章，所以提前结束了进程，没跑完。最后剩下的那部小说是正则表达式没有找到章节名，线程报错而停止了，可能是又有一个类似锁定的其他结构吧。（只不过我也懒得再去纠结了，哈哈哈~）至少从整体正确性和效率性上来看，爬虫工具的任务完成得还算及格。