Python爬取句子迷-莎士比亞語錄

爬取句子迷——莎士比亞語錄(約2290個句子，229個分頁)

這個練手的過程，在我不使用IP代理的情況下，我使用的IP慘遭封禁數次，好在隔幾個小時就會被解封，但我卻好比黏人的鼻涕蟲一般，句子不給我，我就不走了，哼哼。

工具使用的是 Python3.7 + requests + BeautifulSoup4 + 線程

首先句子迷是具有一定反爬程序的，具體是怎樣的就不清楚，但是文字還是整整齊齊擺放着，這個還是很友好的，前端頁面分析完就開始我數次爬取嘗試。

第一次嘗試爬取數據

規規矩矩的在邊緣試探，結果很不理想，字都存放在TXT文件中(171KB)，根本爬不完就被封IP了，返回給你一個403的狀態碼，很過分的哦，就幾個字也這么小氣不給我，還反爬，既然被封了，我就只能睡覺了唄！

第二、三次嘗試

我一早起來，發現句子迷這個網站又能訪問了，開心的很吶，還以為被封了就不能再訪問了呢，然后就開始了我第二次嘗試，這次我想着不能這么明目張膽了，得猥瑣一點的，用時間換取完整且成功的結果。

當然這個方法就是利用sleep進行偽裝咯，因為一共229頁，我設置每爬取5頁就隨機休息5以內秒哦，time.sleep(random.randint(1,5)) ，這樣我不過分吧！可是呢，結果又讓我失望了一波，IP再一次被封，當然我也不會放棄，解封之時就是我再戰之時，當然這樣設置一下還是有收獲的，爬取到相當於上一次兩倍的數據量。第三次嘗試，我為了避免休眠數字隨機性被檢測到，我專門設置了小數加在后面，然而並沒有什么用。

第四次嘗試

永不言棄的我在第四次不好意思的是又失敗了，但這一次我完全放下了身段，因為這次我打算睡眠1-5秒的同時只爬取一頁的數據，這個不過分吧，跟人手動點擊的速度差不多了吧，想着多花點時間趕緊了結了吧。誰知我才離開電腦不久IP就被封了，得到的句子比起之前的反而更少了，而且封的同時 我發現請求這個頁面被封前我都休息了5秒，這就讓我懷疑 並不是訪問頻率過快，而是訪問周期過長？ 然后我趕緊修改程序，開啟了我第三次嘗試，因為寬帶IP被封了，迫於需要更換IP，這接下來的嘗試則是使用的手機熱點...0.0，原本都沒想着能成功的。

第五次嘗試

這一次我想使用的是線程，通過html代碼中pager-lastclass下的a標簽獲取總頁數，然后創建對應數量的線程，同時爬取每一頁的句子並存儲在 對應頁數.txt 文件中，每個txt文件相當於10個句子。這一次我終於成功拿到我想要的所有數據，還蠻興奮咯，差點逼得我要使用代理了。

部分代碼如下

#coding=utf-8
import requests
from requests import codes
import io
import bs4
import os
import random
import time
import threading
from bs4 import BeautifulSoup

webUrl = 'https://www.juzimi.com/'
headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}

def downLoadPageExtra(url):
    try:
        realUrl = webUrl + '/writer/%E8%8E%8E%E5%A3%AB%E6%AF%94%E4%BA%9A'+"?page="+str(url)
        content = requests.get(realUrl,headers = headers)
        content.encoding = "UTF-8"
        if codes.ok == content.status_code:
            soup = BeautifulSoup(content.text,'html.parser')
            downLoadTxt = soup.findAll('a',class_='xlistju')
            f = open("juzimi"+ "/" + str(url) + ".txt", 'a', encoding='utf-8')
            for dlt in downLoadTxt:
                f.writelines((dlt.text)+"\r\n\r\n")
            print(str(url)+"OK")
            f.close()
        else:
            print("狀態碼出錯")
    except:
        print("getPageCodeError1")
def downLoadPage(url):
    try:
        content = requests.get(url,headers = headers)
        content.encoding = "UTF-8"
        if codes.ok == content.status_code:
            soup = BeautifulSoup(content.text,'html.parser')
            downLoadTxt = soup.findAll('a',class_='xlistju')
            #獲取標題創建文件
            title = str(soup.title.string).strip('/').split('?')[0]
            #獲取頁數
            pageCounts = soup.find('li',class_='pager-last').find_all('a')[0].text
            f=open("juzimi"+"/"+ title + ".txt", 'a',encoding='utf-8')
            for dlt in downLoadTxt:
                f.writelines(str(dlt.text)+"\r\n\r\n")
            f.close()
            print("第一句完成")
            for num in range(1,int(pageCounts)):
                t = threading.Thread(target=downLoadPageExtra,args=(num,))
                t.start()
            print('爬取完成...')
    except requests.ConnectionError:
        print("getPageCodeError2")



if __name__ == '__main__':
    dirSave = 'juzimi/'
    if os.path.exists(dirSave) is False:
        os.makedirs(dirSave)
    downLoadPage(webUrl + '/writer/%E8%8E%8E%E5%A3%AB%E6%AF%94%E4%BA%9A')

代碼具體如上，不保證百分百直接能運行，因為是從項目中復制過來並且做了部分修改，但是大致原理已說明，使用多線程，因為是IO密集型，所以多線程還是挺好使的，速度那是相當的快啊，幾十秒就通通搞定，當然我們如果需要將所有txt文件合並成一個的話，我又寫了一個合並程序。

代碼如下

import io
# 通過html頁面標題命名的txt文件，並且存儲的第一頁的句子
mergeTxtName = '莎士比亞經典語錄_名言_名句賞析_句子迷.txt'
# 開始標記
start = 1
# 結束標記
end = 228
f = open(mergeTxtName,'a',encoding='utf-8')
for n in range(start,end + 1):
    g = open(str(n)+'.txt','r',encoding='utf-8')
    f.write(g.read())
    print(str(n)+"完成")
    g.close()
f.close()
print("ok")

此代碼文件應當放置在下載目錄中，否則請修改對應路徑，若並不是獲取莎士比亞的句子，還需要修改mergeTxtName字符串，此代碼不提供刪除已合並的txt文件，若需要可自行增加...自寫程序時請注意文件讀寫操作時的字體編碼問題...

總結

寫爬蟲當多多練手，基礎的熟練，再有針對的提高難度，征服更多網站，第一次嘗試使用博客園的markdown風格，相比較有道雲筆記本的書寫，這里不是很習慣，先試着一次，個人感覺效果好的話以后就用這種方式寫了，要是有一個實時預覽該有多好啊。

爬取了莎士比亞的句子后並不是滿足於技術的提升，說到底並沒有多少提升，總歸的來說還是屬於靜態界面，初心則是想閱覽一下這些有趣的句子，有一些話語寫的真的很好，並成為我的座右銘：

我荒廢了時間，時間便把我荒廢了。