python 爬取小说并下载的示例

代码

import requests
import time
from tqdm import tqdm
from bs4 import BeautifulSoup
"""
 Author:
   Jack Cui
 Wechat:
   https://mp.weixin.qq.com/s/OCWwRVDFNslIuKyiCVUoTA
"""
def get_content(target):
 req = requests.get(url = target)
 req.encoding = 'utf-8'
 html = req.text
 bf = BeautifulSoup(html, 'lxml')
 texts = bf.find('div', id='content')
 content = texts.text.strip().split('\xa0'*4)
 return content
if __name__ == '__main__':
 server = 'https://www.xsbiquge.com'
 book_name = '诡秘之主.txt'
 target = 'https://www.xsbiquge.com/15_15338/'
 req = requests.get(url = target)
 req.encoding = 'utf-8'
 html = req.text
 chapter_bs = BeautifulSoup(html, 'lxml')
 chapters = chapter_bs.find('div', id='list')
 chapters = chapters.find_all('a')
 for chapter in tqdm(chapters):
   chapter_name = chapter.string
   url = server + chapter.get('href')
   content = get_content(url)
   with open(book_name, 'a', encoding='utf-8') as f:
     f.write(chapter_name)
     f.write('\n')
     f.write('\n'.join(content))
     f.write('\n')

下载效果：

可以看到，小说内容保存到“诡秘之主.txt”中，小说一共 1416 章，下载需要大约 20 分钟，每秒钟大约下载 1 个章节。

下载完成，实际花费了 27 分钟。

20 多分钟下载一本小说，你可能感觉太慢了。想提速，可以使用多进程，大幅提高下载速度。如果使用分布式，甚至可以1秒钟内下载完毕。

但是，我不建议这样做。

我们要做一个友好的爬虫，如果我们去提速，那么我们访问的服务器也会面临更大的压力。

以我们这次下载小说的代码为例，每秒钟下载 1 个章节，服务器承受的压力大约 1qps，意思就是，一秒钟请求一次。

如果我们 1 秒同时下载 1416 个章节，那么服务器将承受大约 1416 qps 的压力，这还是仅仅你发出的并发请求数，再算上其他的用户的请求，并发量可能更多。

如果服务器资源不足，这个并发量足以一瞬间将服务器“打死”，特别是一些小网站，都很脆弱。

过大并发量的爬虫程序，相当于发起了一次 CC 攻击，并不是所有网站都能承受百万级别并发量的。

所以，写爬虫，一定要谨慎，勿给服务器增加过多的压力，满足我们的获取数据的需求，这就够了。

你好，我也好，大家好才是真的好。

来源：https://github.com/Jack-Cherish/python-spider/tree/master/2020