抓取网页生成电子书(行行网电子书多线程爬取-撸代码代码非常简单-写在前面 )

　　抓取网页生成电子书(行行网电子书多线程爬取-撸代码代码非常简单-写在前面

)

　　星星网电子书的多线程爬取-写在前面

　　最近想找几本电子书看，然后找到一本叫周都网站，网站很好看，简单清爽，书很多，就是百度。网盘可以直接下载，更新速度也可以接受，所以在爬。这篇文章文章刚学习，这么好的分享网站，尽量不要爬，不会影响别人访问的速度，想要数据的可以评论我的博客我会发给你，QQ，邮箱，随便。

　　这个网站页面的逻辑很简单。我翻阅了本书的详细信息页面，它看起来像这样。我们只需要循环生成这些页面的链接，然后抓取即可。为了速度，我使用多线程。， 你可以试试看。如果以后想爬取数据，就在本博客下方留言，不要搞乱别人的服务器。

　　http://www.ireadweek.com/index.php/bookInfo/11393.html

http://www.ireadweek.com/index.php/bookInfo/11.html

....

　　星星网电子书多线程爬取-撸码

　　代码很简单，以我们之前的教程为铺垫，少量代码就可以实现完整的功能，最后将采集的内容写入到csv文件中，（什么是csv，你会知道百度）这段代码是IO密集型操作，我们使用aiohttp模块来编写。

　　第1步

　　拼接 URL 并启动线程。

　　import requests

# 导入协程模块

import asyncio

import aiohttp

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36",

"Host": "www.ireadweek.com",

"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8"}

async def get_content(url):

print("正在操作:{}".format(url))

# 创建一个session 去获取数据

async with aiohttp.ClientSession() as session:

async with session.get(url,headers=headers,timeout=3) as res:

if res.status == 200:

source = await res.text() # 等待获取文本

print(source)

if __name__ == '__main__':

url_format = "http://www.ireadweek.com/index.php/bookInfo/{}.html"

full_urllist = [url_format.format(i) for i in range(1,11394)] # 11394

loop = asyncio.get_event_loop()

tasks = [get_content(url) for url in full_urllist]

results = loop.run_until_complete(asyncio.wait(tasks))

　　上面的代码可以同时开启N个多线程，但是这样很容易导致其他人的服务器瘫痪。因此，必须限制并发数。下面的代码，你试着把它放在指定的位置。

　　sema = asyncio.Semaphore(5)

# 为避免爬虫一次性请求次数太多，控制一下

async def x_get_source(url):

with(await sema):

await get_content(url)

　　第2步

　　为了处理获取的网页的源代码并提取我们想要的元素，我添加了一个新方法，使用 lxml 进行数据提取。

　　def async_content(tree):

title = tree.xpath("//div[@class='hanghang-za-title']")[0].text

# 如果页面没有信息，直接返回即可

if title == '':

return

else:

try:

description = tree.xpath("//div[@class='hanghang-shu-content-font']")

author = description[0].xpath("p[1]/text()")[0].replace("作者：","") if description[0].xpath("p[1]/text()")[0] is not None else None

cate = description[0].xpath("p[2]/text()")[0].replace("分类：","") if description[0].xpath("p[2]/text()")[0] is not None else None

douban = description[0].xpath("p[3]/text()")[0].replace("豆瓣评分：","") if description[0].xpath("p[3]/text()")[0] is not None else None

# 这部分内容不明确，不做记录

#des = description[0].xpath("p[5]/text()")[0] if description[0].xpath("p[5]/text()")[0] is not None else None

download = tree.xpath("//a[@class='downloads']")

except Exception as e:

print(title)

return

ls = [

title,author,cate,douban,download[0].get('href')

]

return ls

　　第 3 步

　　数据格式化后，保存成csv文件，收工啦！

　　 print(data)

with open('hang.csv', 'a+', encoding='utf-8') as fw:

writer = csv.writer(fw)

writer.writerow(data)

print("插入成功！")

　　星星网电子书多线程爬取-运行代码，查看结果

　　因为这可能涉及到从别人的服务器获取重要数据，代码不会上传到github，有需要的可以留言，我会单独发给你