文章采集调用( 【魔兽世界】灵棺夜行代码.4更新公告)

　　文章采集调用(

【魔兽世界】灵棺夜行代码.4更新公告)

　　Python制作爬虫采集新颖

　　更新时间：2015年10月25日11:08:10 提交人：hebedich

　　本文将与大家分享使用Python制作爬虫的代码采集小说。它非常简单实用，虽然还是有点瑕疵。一起改变，一起进步

　　开发工具：python3.4

　　操作系统：win8

　　主要功能：指定小说网页爬取小说目录，按章节保存到本地，将爬取的网页保存到本地配置文件。

　　已爬网网站：

　　小说名：棺材夜行

　　代码来源：我自己编码

import urllib.request

import http.cookiejar

import socket

import time

import re

timeout = 20

socket.setdefaulttimeout(timeout)

sleep_download_time = 10

time.sleep(sleep_download_time)

def makeMyOpener(head = {

'Connection': 'Keep-Alive',

'Accept': 'text/html, application/xhtml+xml, */*',

'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',

'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'

}):

cj = http.cookiejar.CookieJar()

opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

header = []

for key, value in head.items():

elem = (key, value)

header.append(elem)

opener.addheaders = header

return opener

def saveFile(save_path,txts):

f_obj = open(save_path,'w+')

for item in txts:

f_obj.write(item+'\n')

f_obj.close()

#get_code_list

code_list='http://www.cishuge.com/read/0/771/'

oper = makeMyOpener()

uop = oper.open(code_list,timeout=1000)

data = uop.read().decode('gbk','ignore')

pattern = re.compile('(.*?)',re.S)

items = re.findall(pattern,data)

print ('获取列表完成')

url_path='url_file.txt'

url_r=open(url_path,'r')

url_arr=url_r.readlines(100000)

url_r.close()

print (len(url_arr))

url_file=open(url_path,'a')

print ('获取已下载网址')

for tmp in items:

save_path = tmp[1].replace(' ','')+'.txt'

url = code_list+tmp[0]

if url+'\n' in url_arr:

continue

print('写日志：'+url+'\n')

url_file.write(url+'\n')

opene = makeMyOpener()

op1 = opene.open(url,timeout=1000)

data = op1.read().decode('gbk','ignore')

opene.close()

pattern = re.compile('&nbsp;&nbsp;&nbsp;&nbsp;(.*?)<br />',re.S)

txts = re.findall(pattern,data)

saveFile(save_path,txts)

url_file.close()

　　虽然代码还有点瑕疵，但还是分享给大家，一起改进