主頁(yè) > 知識(shí)庫(kù) > Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站

Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站

熱門(mén)標(biāo)簽:外呼不封號(hào)系統(tǒng) 荊州云電銷(xiāo)機(jī)器人供應(yīng)商 幫人做地圖標(biāo)注收費(fèi)算詐騙嗎 電信營(yíng)業(yè)廳400電話申請(qǐng) 蘇州電銷(xiāo)機(jī)器人十大排行榜 江蘇房產(chǎn)電銷(xiāo)機(jī)器人廠家 溫州旅游地圖標(biāo)注 悟空智電銷(xiāo)機(jī)器人6 遼寧400電話辦理多少錢(qián)

一、引言

這個(gè)五一假期自駕回老家鄉(xiāng)下,家里沒(méi)裝寬帶,用手機(jī)熱點(diǎn)方式訪問(wèn)網(wǎng)絡(luò)。這次回去感覺(jué)4G信號(hào)沒(méi)有以前好,通過(guò)百度查找小說(shuō)最新更新并打開(kāi)小說(shuō)網(wǎng)站很慢,有時(shí)要打開(kāi)好多個(gè)網(wǎng)頁(yè)才能找到可以正常打開(kāi)的最新更新。為了躲懶,老猿決定利用Python爬蟲(chóng)知識(shí),寫(xiě)個(gè)簡(jiǎn)單應(yīng)用自己查找小說(shuō)最新更新并訪問(wèn)最快的網(wǎng)站,花了點(diǎn)時(shí)間研究了一下相關(guān)報(bào)文,經(jīng)過(guò)近一天時(shí)間研究和編寫(xiě),終于搞定,下面就來(lái)介紹一下整個(gè)過(guò)程。

二、關(guān)于相關(guān)訪問(wèn)請(qǐng)求及應(yīng)答報(bào)文

2.1、百度搜索請(qǐng)求

我們通過(guò)百度網(wǎng)頁(yè)的搜索框進(jìn)行搜索時(shí),提交的url請(qǐng)求是這樣的:

https://www.baidu.com/s?wd=搜索詞pn=10rn=50

請(qǐng)求的url為https://www.baidu.com/s,帶三個(gè)參數(shù):

  • wd:搜索的關(guān)鍵詞
  • pn:當(dāng)前需要顯示搜索結(jié)果記錄在總搜索結(jié)果的序號(hào),如總搜索有300條記錄滿足要求,現(xiàn)在要求顯示第130條記錄,則pn參數(shù)值設(shè)為130即可
  • rn:每頁(yè)顯示記錄數(shù),缺省為10條,可以自行設(shè)定,但如果設(shè)定超過(guò)50,則會(huì)強(qiáng)制顯示為每頁(yè)10條。

2.2、百度返回搜索結(jié)果

百度返回的搜索結(jié)果有多種方式確定,老猿認(rèn)為如下方式最簡(jiǎn)單:
以搜索小說(shuō)《青萍》為例來(lái)看其中的一個(gè)返回記錄:

h3 class="t">a data-click="{
			'F':'778317EA',
			'F1':'9D73F1E4',
			'F2':'4CA6DE6B',
			'F3':'54E5243F',
			'T':'1620130755',
			'y':'FE7FF57A'}" 
			 rel="external nofollow"  target="_blank">
			em>青萍/em>最新章節(jié),em>青萍/em>免費(fèi)閱讀 - 大神小說(shuō)網(wǎng)/a>
			/h3>

整個(gè)搜索返回的結(jié)果在一個(gè)h3的標(biāo)簽內(nèi),返回的搜索結(jié)果對(duì)應(yīng)url在a標(biāo)簽內(nèi),具體url由href來(lái)指定。這里返回的url實(shí)際上是一個(gè)百度重定向的地址,可以通過(guò)打開(kāi)該url訪問(wèn)對(duì)應(yīng)網(wǎng)站,并通過(guò)返回響應(yīng)消息獲取真正網(wǎng)站的URL。

2.3、小說(shuō)網(wǎng)站關(guān)于最新更新的展現(xiàn)及html報(bào)文格式

根據(jù)老猿分析,約占30%的小說(shuō)網(wǎng)站關(guān)于最新更新章節(jié)的展現(xiàn)類(lèi)似如下:

首先有類(lèi)似“最新章節(jié)”或“最新更新”或“最近更新”等類(lèi)似提示詞,在該提示詞后是顯示最新章節(jié)的章節(jié)序號(hào)及章節(jié)名的一個(gè)鏈接,對(duì)應(yīng)的報(bào)文類(lèi)似如下:

p>最新章節(jié):a href="/book/12/12938/358787.html" rel="external nofollow"  target="_blank">第729章 就是給你們看看的/a>/p>

這個(gè)報(bào)文的特點(diǎn)是:

“最新章節(jié)”的文本信息與小說(shuō)最新章節(jié)的鏈接在同一個(gè)父標(biāo)簽內(nèi)。另外需要說(shuō)明的是返回的章節(jié)url并不是絕對(duì)地址,而是小說(shuō)網(wǎng)站的相對(duì)地址。

老猿對(duì)搜索小說(shuō)查找最新章節(jié)都是基于以上格式的,因此實(shí)際上程序最終獲取的小說(shuō)網(wǎng)站只占了整個(gè)搜索結(jié)果的30%左右,不過(guò)對(duì)于看小說(shuō)來(lái)說(shuō)已經(jīng)足夠了。

三、實(shí)現(xiàn)思路及代碼

3.1、根據(jù)url獲取網(wǎng)站名

def getHostName(url):
    httpPost = url[10:]
    hostName = url[:10]+httpPost.split('/')[0]
    return hostName

3.2、根據(jù)百度返回搜索結(jié)果地址打開(kāi)網(wǎng)站獲取小說(shuō)信息

基于2.3部分介紹的小說(shuō)網(wǎng)站返回內(nèi)容,我們來(lái)根據(jù)百度返回搜索結(jié)果的URL來(lái)打開(kāi)對(duì)應(yīng)小說(shuō)網(wǎng)站,并計(jì)算從請(qǐng)求發(fā)起到響應(yīng)返回的時(shí)間:

def getNoteInfo(url):
    """
    打開(kāi)指定小說(shuō)網(wǎng)頁(yè)URL獲取最新章節(jié)信息
    url:百度搜索結(jié)果指定的搜索匹配記錄的url
    返回該URL對(duì)應(yīng)的章節(jié)ID、打開(kāi)耗時(shí)、網(wǎng)站真正URL、網(wǎng)站主機(jī)名、章節(jié)相對(duì)url、章節(jié)名
    
    """
    head = mkhead()
    start = time.time_ns()
    req = urllib.request.Request(url=url, headers=head)
    try:
        resp = urllib.request.urlopen(req,timeout=2)
        #根據(jù)響應(yīng)頭獲取真正的網(wǎng)頁(yè)URL對(duì)應(yīng)的網(wǎng)站名
        hostName = getHostName(resp.url)
        text = resp.read()
        #網(wǎng)頁(yè)編碼有2種:utf-8和GBK
        pageText = text.decode('utf-8')
    except UnicodeDecodeError:
        pageText =  text.decode('GBK')
    except Exception as  e:
        errInf = f"打開(kāi)網(wǎng)站 {url} 失敗,異常原因:\n{e}\n" + '\n' + traceback.format_exc() + '\n'
        logPag(errInf, False)
        return None

    #最新章節(jié)的HTML報(bào)文類(lèi)似: 'p>最新章節(jié):a href="/html/107018/122306672.html" rel="external nofollow" >第672章 天之關(guān)梁/a>/p>'
    end = time.time_ns()
    soup = BeautifulSoup(pageText, 'lxml')
    # 根據(jù)最新章節(jié)的提示信息搜索最新章節(jié)
    result = soup.find_all(string=re.compile(r'最新更新[::]|最新章節(jié)[::]|最近更新[::]|最新[::]'))
    found = False
    for rec in result:
        recP = rec.parent
        pa = recP.a
        matchs = re.match(r'(?:最新更新|最新章節(jié)|最近更新|最新)[::]第(.+)章(.+)', recP.text)
        if not matchs:return None
        groups = matchs.groups()
        if matchs and pa is not None:
            found = True
            chapter = toInt(groups[0]) #章節(jié)序號(hào)
            chapterName = groups[1] #章節(jié)名
            chaperUrl = pa.attrs['href'] #章節(jié)相對(duì)URL
            break
    if not found:
        return None

    cost = (end - start) / 1000000  #網(wǎng)頁(yè)打開(kāi)耗時(shí)計(jì)算
    return (chapter,cost,resp.url,hostName,chaperUrl,chapterName)

注意:由于不同網(wǎng)站訪問(wèn)響應(yīng)情況不一樣,因此在打開(kāi)網(wǎng)頁(yè)時(shí)設(shè)定超時(shí)是很有必要的,這樣可以避免訪問(wèn)緩慢的網(wǎng)站耽誤整體訪問(wèn)時(shí)間。

3.3、獲取小說(shuō)網(wǎng)頁(yè)絕對(duì)url地址

將返回信息中相對(duì)url和網(wǎng)站名結(jié)合拼湊網(wǎng)頁(yè)的絕對(duì)url地址:

def getChapterUrl(noteInf):
    chapter, cost, url, hostName, chaperUrl, chapterName = noteInf
    if chaperUrl.strip().startswith('http'):return chaperUrl
    elif chaperUrl.strip().startswith('/'):return hostName.strip()+chaperUrl.strip()
    else:return hostName.strip()+'/'+chaperUrl.strip()

3.4、計(jì)算排序權(quán)重

根據(jù)搜索小說(shuō)網(wǎng)頁(yè)訪問(wèn)的信息計(jì)算排序權(quán)重,確保最新章節(jié)排在最前,相同章節(jié)訪問(wèn)速度最快網(wǎng)站排在最前。

def noteWeight(n):
#入?yún)為小說(shuō)信息元組: chapter, cost, url, hostName, chaperUrl, chapterName
    ch,co = n[:2]
    w = ch * 100000 + min(99999, 100000 / co)
    return w

3.5、進(jìn)行百度搜索并解析搜索結(jié)果訪問(wèn)小說(shuō)網(wǎng)站最新更新

根據(jù)搜索詞在百度執(zhí)行搜索,并取最新章節(jié)且訪問(wèn)速度最快的前5個(gè)網(wǎng)站url進(jìn)行輸出:

def BDSearchUsingChrome(inputword,maxCount=150):
    """
    輸出相關(guān)搜索結(jié)果中具有最新章節(jié)且訪問(wèn)速度最快的前5個(gè)網(wǎng)站url
    :param word: 搜索關(guān)鍵詞,如小說(shuō)名、小說(shuō)名+作者名等
    :param maxCount: 最多處理的搜索記錄數(shù)
    :return: None
    """
    #百度請(qǐng)求url類(lèi)似:https://www.baidu.com/s?wd=青萍pn=10rn=50
    rn = 50 #每頁(yè)50條記錄
    #構(gòu)建請(qǐng)求頭模擬本機(jī)谷歌瀏覽器訪問(wèn)百度網(wǎng)頁(yè)
    head = mkheadByHostForChrome('baidu.com')
    word =  urllib.parse.quote(inputword)
    urlPagePre = 'https://www.baidu.com/s?wd='+word+'rn=50'
    pageCount = int(0.999+maxCount/rn)
    validNoteInf = []
    seq = 0
    logPag("開(kāi)始執(zhí)行搜索...")
    for page in range(pageCount):
        pn = rn*page
        urlPage = urlPagePre+str(pn)
        pageReq = urllib.request.Request(url=urlPage, headers=head)
        pageResp = urllib.request.urlopen(pageReq,timeout=2)
        pageText = pageResp.read().decode()

        if pageResp.status == 200:
            soup = BeautifulSoup(pageText,'lxml')
            links = soup.select('h3.t a[href^="http://www.baidu.com/link?url="]')

            for l in links:
                noteInf = getNoteInfo(l.attrs['href'])
                seq += 1
                if noteInf is None:
                    #print(seq,'、',l.attrs['href'],None)
                    logPag(f"{seq}、{l.attrs['href']}:查找最新章節(jié)失敗,忽略",True)
                else:
                    logPag(f"{seq}、返回小說(shuō)信息: {noteInf}",True)
                    #chapter,cost,url,hostName,chaperUrl,chapterName = noteInf
                    validNoteInf.append(noteInf)
    validNoteInf.sort(key=noteWeight,reverse=True)
    print(f"小說(shuō): {inputword} 最新更新訪問(wèn)最快的5個(gè)網(wǎng)站是:")
    for l in validNoteInf[:5]:#輸出相關(guān)搜索結(jié)果中具有最新章節(jié)且訪問(wèn)速度最快的前5個(gè)網(wǎng)站url
        print(f"{validNoteInf.index(l)+1}、第{l[0]}章 {l[-1]}  {getChapterUrl(l)}  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) {l[1]} 毫秒")
    input("按回車(chē)鍵退出!")

四、搜索案例

以搜索月關(guān)大大的青萍作為案例,執(zhí)行搜索的語(yǔ)句為:

BDSearchUsingChrome('青萍月關(guān)',150)

執(zhí)行結(jié)果:

小說(shuō): 青萍月關(guān) 最新更新訪問(wèn)最快的5個(gè)網(wǎng)站是:
1、第688章  東邊日出西邊雨  http://www.huaxiaci.com/41620/37631250.html  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) 262.0 毫秒
2、第688章  東邊日出西邊雨  http://www.huaxiaci.com/41620/37631250.html  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) 278.0 毫秒
3、第688章  東邊日出西邊雨  http://www.huaxiaci.com/41620/37631250.html  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) 345.5 毫秒
4、第688章  東邊日出西邊雨  https://www.24kwx.com/book/9/9202/8889236.html  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) 774.0 毫秒
5、第688章  東邊日出西邊雨  https://www.27kk.net/9526/2658932.html  ,網(wǎng)頁(yè)打開(kāi)耗時(shí) 800.5 毫秒
按回車(chē)鍵退出!

五、小結(jié)

本文介紹了使用Python搜索指定小說(shuō)最新更新章節(jié)以及訪問(wèn)最快網(wǎng)站的實(shí)現(xiàn)思想和關(guān)鍵應(yīng)用代碼,實(shí)現(xiàn)自動(dòng)搜索小說(shuō)最新更新章節(jié)以及獲取訪問(wèn)最快的網(wǎng)站。以上的實(shí)現(xiàn)由于已經(jīng)獲取最新章節(jié)的鏈接,再稍微改進(jìn),就可以直接將最新章節(jié)下載到本地觀看。

到此這篇關(guān)于Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站的文章就介紹到這了,更多相關(guān)Python爬取最新更新的小說(shuō)網(wǎng)站內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

您可能感興趣的文章:
  • python使用XPath解析數(shù)據(jù)爬取起點(diǎn)小說(shuō)網(wǎng)數(shù)據(jù)
  • python爬蟲(chóng)之爬取筆趣閣小說(shuō)
  • python爬取晉江文學(xué)城小說(shuō)評(píng)論(情緒分析)
  • Python爬蟲(chóng)入門(mén)教程02之筆趣閣小說(shuō)爬取
  • python 爬取小說(shuō)并下載的示例
  • python爬取”頂點(diǎn)小說(shuō)網(wǎng)“《純陽(yáng)劍尊》的示例代碼
  • Python scrapy爬取小說(shuō)代碼案例詳解
  • Python爬取365好書(shū)中小說(shuō)代碼實(shí)例
  • python爬蟲(chóng)爬取筆趣網(wǎng)小說(shuō)網(wǎng)站過(guò)程圖解
  • Python實(shí)現(xiàn)的爬取小說(shuō)爬蟲(chóng)功能示例
  • Python制作爬蟲(chóng)采集小說(shuō)
  • python 爬取國(guó)內(nèi)小說(shuō)網(wǎng)站

標(biāo)簽:欽州 濟(jì)南 黃山 臺(tái)灣 三沙 景德鎮(zhèn) 宿遷 喀什

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站》,本文關(guān)鍵詞  Python,爬蟲(chóng),之爬,取,最新,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站》相關(guān)的同類(lèi)信息!
  • 本頁(yè)收集關(guān)于Python爬蟲(chóng)之爬取最新更新的小說(shuō)網(wǎng)站的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章