隨便說點什么
因為在學python，所有自然而然的就掉進了爬蟲這個坑里，好吧，主要是因為我覺得爬蟲比較酷，才入坑的。
想想看，你可以批量自動的采集互聯網上海量的資料數據，是多么令人激動啊！
所以我就被這塊大蛋糕吸引過來了 :)
想學爬蟲自然要去找學習資料了，不過網上有很多，我找了不少，個人覺得崔慶才的爬蟲教程寫得不錯。起碼對我來說，入門是夠了。
感興趣的朋友可以點進鏈接看看：Python爬蟲學習系列教程 <==這位兄台博客做得也很好
掌握了基本的爬蟲知識，主要是urllib,urlib2,re 這些庫，以及Request(),urlopen()的基本用法之后，我就開始尋找爬取目標。
正好女朋友的哥哥讓她幫忙下載小說，找我推薦幾本，我一時也不知道他哥喜歡什么類型的，心想干脆找個小說網批量下載一些小說。
於是說干就干，用了一個中午時間寫了一個粗糙的爬蟲腳本，啟動發現可以運行，讓腳本在這兒跑着，我回去躺在床上呼呼大睡。
起來之后發現腳本遇到錯誤，停掉了，於是debug，干掉bug之后跑起來陸續又發現幾個錯誤，於是干脆在一些容易出錯的地方，例如urlopen()請求服務器的地方，本地write()寫入的地方（是的，這也會有超時錯誤！）加入了try-except捕獲錯誤進行處理，另外加入了socket.timeout網絡超時限制，修修補補之后總算可以順暢的運行。
如此，運行了兩天，爬蟲腳本把這個小說網上的幾乎所有小說都下載到了本地，一共27000+本小說，一共40G。
自此，大功告成，打包發了過去。另外說一句，百度雲真坑，每次上傳數量有限制，分享給朋友文件數量有限制，分享的文件夾大小也有限制，害的我還得整成壓縮版才能分享。
下載界面
下面附上代碼
1 #coding=utf-8
2 import urllib 3 import urllib2 4 import re 5 import os 6
7 webroot = 'http://www.xuanshu.com'
8
9 for page in range(20,220): 10 print '正在下載第'+str(page)+'頁小說'
11
12 url = 'http://www.xuanshu.com/soft/sort02/index_'+str(page)+'.html'
13 headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' } 14 try: 15 request = urllib2.Request(url,headers=headers) 16 response = urllib2.urlopen(request,timeout=180) 17 #print response.read()
18 except urllib2.URLError, e: 19 if hasattr(e,"code"): 20 print e.code 21 if hasattr(e,"reason"): 22 print e.reason 23
24 html = response.read().decode('utf-8') 25 #print html
26 pattern = re.compile(u'<li>.*?<div class="s">.*?target="_blank">(.*?)</a><br />大小：(.*?)<br>.*?</em><br>更新：(.*?)</div>.*?<a href="(.*?)"><img.*?>(.*?)</a>.*?<div class="u">(.*?)</div>',re.S) 27 items = re.findall(pattern,html) 28 #print items
29
30 for item in items: 31 try: 32 book_auther = item[0].encode('gbk') 33 book_size = item[1].encode('gbk') 34 book_updatetime = item[2].encode('gbk') 35 book_link = item[3].encode('gbk') 36 book_name = item[4].encode('gbk') 37 book_note = item[5].encode('gbk') 38
39 book_full_link = webroot + book_link # 構建書的絕對地址
40
41 #請求地址
42 try: 43 request = urllib2.Request(book_full_link,headers=headers) 44 response = urllib2.urlopen(request,timeout=180) 45 except urllib2.URLError, e: 46 if hasattr(e,"code"): 47 print e.code 48 if hasattr(e,"reason"): 49 print e.reason 50 html = response.read().decode('utf-8') 51 #print html
52 pattern = re.compile('<a class="downButton.*?<a class="downButton" href=\'(.*?)\'.*?Txt.*?</a>',re.S) 53 down_link = re.findall(pattern,html) 54 print book_name 55 print down_link 56
57 # down txt
58 try: 59 request = urllib2.Request(down_link[0].encode('utf-8'),headers=headers) 60 response = urllib2.urlopen(request,timeout=180) 61 except urllib2.URLError, e: 62 if hasattr(e,"code"): 63 print e.code 64 if hasattr(e,"reason"): 65 print e.reason 66 try: 67 fp = open(book_name+'.txt','w') 68 except IOError,e: 69 pattern = re.compile('<strong>.*?>(.*?)<.*?</strong>',re.S) 70 book_name = re.findall(pattern,book_name) 71 fp = open(book_name[0]+'.txt','w') 72 print 'start download'
73 fp.write(response.read()) 74 print 'down finish\n'
75 fp.close() 76 except Exception,e: 77 print '該條目解析出現錯誤，忽略'
78 print e 79 print ''
80 fp = open('error.log','a') 81 fp.write('page:'+str(page)+'\n') 82 fp.write(item[4].encode('gbk')) 83 #fp.write(e)
84 fp.write('\nThere is an error in parsing process.\n\n') 85 fp.close() 86
87
注意
該腳本只定向抓取“選書網”小說站，“玄幻奇幻”分類下的小說。供網友們參考，可自行修改。
寫得比較粗糙，勿噴……
Freecode# : www.cnblogs.com/yym2013