爬虫实践---一次下完所有小说：排行榜小说批量下载

一、目标

排行榜的地址： http://www.qu.la/paihangbang/

找到各类排行旁的的每一部小说的名字，和在该网站的链接。

二、观察网页的结构

很容易就能发现，每一个分类都是包裹在：

之中，

这种条理清晰的网站，大大方便了爬虫的编写。

在当前页面找到所有小说的连接，并保存在列表即可。

三、列表去重的小技巧：

就算是不同类别的小说，也是会重复出现在排行榜的。

这样无形之间就会浪费很多资源，尤其是在面对爬大量网页的时候。

这里只要一行代码就能解决：

这里调用了一个list的构造函数set：这样就能保证列表里没有重复的元素了。

四、代码实现

模块化，函数式编程是一个非常好的习惯，坚持把每一个独立的功能都写成函数，这样会使代码简单又可复用。

1.网页抓取头：

2.获取排行榜小说及其链接：

爬取每一类型小说排行榜，

按顺序写入文件，

文件内容为 小说名字+小说链接

将内容保存到列表

并且返回一个装满url链接的列表

3.获取单本小说的所有章节链接:

获取该小说每个章节的url地址，并创建小说文件

4.获取单页文章的内容并保存到本地

这里有个小技巧：

从网上爬下来的文件很多时候都是带着<br>之类的格式化标签，

可以通过一个简单的方法把它过滤掉：

html = get_html(url).replace('<br/>', '\n')

这里单单过滤了一种标签，并将其替换成‘\n’用于文章的换行，

6.主函数

7.输出结果

5.缺点：

本次爬虫写的这么顺利，更多的是因为爬的网站是没有反爬虫技术，以及文章分类清晰，结构优美。

但是，按照这篇文的思路去爬取小说，

大概计算了一下：

一篇文章需要：0.5s

一本小说（1000张左右）：8.5分钟

全部排行榜（60本）： 8.5小时！

那么，这种 单线程 的爬虫，速度如何能提高呢？

自己写个多线程模块？

其实还有更好的方式： Scrapy框架

后面可将这里的代码重构一边遍，

速度会几十倍甚至几百倍的提高了！

这其实也是多线程的威力！

作者：Josiah
来源：http://www.cnblogs.com/Josiah-Lin/p/7241678.html