コード例 #1
0
    def download(self, name_list, url_list):
        for i in range(0, len(name_list)):
            count = 0
            time.sleep(1.5)

            base_url = "http://www.sbkk88.com"
            file_name = name_list[i]
            url = url_list[i]
            options = (r'(<p>.*</p>)')
            options2 = (r'(.*</p>)<p>')
            html = requests.get(
                base_url + url,
                headers=sth.get_agent_pc()).content.decode("gbk")
            temp = (re.findall(options, html))
            print(file_name + ":" + base_url + url)

            if temp == []:
                #网站里的正文有两种格式,乳沟第一种匹配失败就用第二种去匹配
                temp = (re.findall(options2, html))

            for i in range(0, len(temp)):
                lines = temp[i]
                lines = lines.replace('<u>一</u>', '')
                lines = lines.replace('<p>', '')
                lines = lines.replace('</p>', '\n')
                file_name = file_name.replace('\r\n', '')
                with open('./' + file_name, 'a') as f:
                    f.write(lines)
コード例 #2
0
ファイル: 0726_V2.0.py プロジェクト: xiaowang23/python
def get_books_list(book_url):
    # 返回列表,为当前页下包含小说的li标签
    html = requests.get(book_url,
                        headers=sth.get_agent_pc()).content.decode('gbk')
    options = (r'<li>.*class="ablum".*</li>')
    each_book_list = re.findall(options, html)
    name_list1 = []
    url_list = []
    #print (each_book_list)
    for url in each_book_list:
        TEMP_chapter = Fenxi(url)
        # 初始化TEMP_chapter对象,然后通过调用类里面的get_name_url方法来获取每本书的名字和链接,然后分别追加到各自列表
        name_list1.append(TEMP_chapter.get_name_url()[0])
        url_list.append(TEMP_chapter.get_name_url()[1])
    return (name_list1, url_list)
コード例 #3
0
ファイル: 0726_V2.0.py プロジェクト: xiaowang23/python
    def download(self, name, url):
        print("开始下载%s" % name)
        base_url = "http://www.sbkk88.com"
        file_name = name
        if os.path.exists("./" + file_name):
            print(file_name + "已下载,跳过")
        else:
            url = url
            options = (r'(<p>.*</p>)')
            options2 = (r'(.*</p>)<p>')
            options3 = (r'(.+)<br>')
            options4 = (r'(<br>)')
            html = requests.get(
                base_url + url,
                headers=sth.get_agent_pc()).content.decode("gbk")
            temp = (re.findall(options, html))
            #print (file_name+":"+base_url+url)

            # option
            #<p>“渔家女孩告诉我,他们中下阶层的百姓有个更妙的比喻:国王吃席,首相”</p>

            # options2
            # 诸般买卖无商旅,各样生涯不见人。殿上君王归内院,阶前文武转衙门。</p><p>

            # options3
            #  一局输赢料不真,香销茶尽尚逡巡。<br>

            # options4
            #<br>

            if temp == []:
                # 特别恶心人的一点,网站里面的正文有两种格式甚多种,目前找到两种,但是爬取时又有没有抓到的页面,此部分待完善。
                # 而且网站还在网页中间插入了<u>一</u>这种东西,不知道还有没有插入其他的东西,但是真的好恶心。。。
                temp = (re.findall(options2, html))

            for i in range(0, len(temp)):
                # 循环遍历每一行,去除特殊字符并且用</p>来换行。
                lines = temp[i]
                lines = lines.replace('<u>一</u>', '')
                lines = lines.replace('<p>', '')
                lines = lines.replace('</p>', '\n')
                file_name = file_name.replace('\r\n', '')

                with open('./' + file_name, 'a') as f:
                    f.write(lines)
コード例 #4
0
 def get_page_url(self):
     #print (self.__url)
     name_list = []
     url_list = []
     #print (self.__url)
     html = requests.get(self.__url,
                         headers=sth.get_agent_pc()).content.decode("gbk")
     self.each_name_R = (r' <li> <a href=(.*).*</a> </li>')
     each_url_name = re.findall(self.each_name_R, html)
     each_url_name = each_url_name[0].replace('<li> <a href=', '\r\n')
     each_url_name = each_url_name.replace(
         ' class="articleTitle"  target="_blank">', '')
     each_url_name = each_url_name.replace('</a> </li>', '')
     each_url_names = each_url_name.split('"')
     #print (len(each_url_name))
     for i in range(1, len(each_url_names)):
         if (i % 2) == 0:
             name_list.append(each_url_names[i])
         else:
             url_list.append(each_url_names[i])
     self.download(name_list, url_list)
コード例 #5
0
ファイル: 0726_V2.0.py プロジェクト: xiaowang23/python
    def get_page_url(self):
        # 传入单本书的页面url
        name_list = []
        url_list = []
        html = requests.get(self.__url,
                            headers=sth.get_agent_pc()).content.decode("gbk")
        self.each_name_R = (r' <li> <a href=(.*).*</a> </li>')
        each_url_name = re.findall(self.each_name_R, html)
        each_url_name = each_url_name[0].replace('<li> <a href=', '\r\n')
        each_url_name = each_url_name.replace(
            ' class="articleTitle"  target="_blank">', '')
        each_url_name = each_url_name.replace('</a> </li>', '')
        each_url_names = each_url_name.split('"')
        # 一大串replace是为了转换地址,从下方的URL1转化为URL2,最终通过给定的分隔符"来切割字段,形成一个列表。

        # URL1:<li> <a href="/mingzhu/gudaicn/shuihuchuan/41951.html" class="articleTitle"  target="_blank">读后感——江湖好汉为何爱吃酱牛肉、不喜红烧肉之小考'
        # URL2:"/mingzhu/gudaicn/shuihuchuan/41951.html"读后感——江湖好汉为何爱吃酱牛肉、不喜红烧肉之小考
        for i in range(1, len(each_url_names)):
            # 循环列表,列表中的偶数位字段则为名字,奇数位字段的为url。取出之后放入两个列表。
            if (i % 2) == 0:
                name_list.append(each_url_names[i])
            else:
                url_list.append(each_url_names[i])

        Multi = Pool(4)
        for i in range(0, len(name_list)):
            file_name = re.sub(r"[/\\:*?\"<>|]+", '', name_list[i])
            Multi.apply(self.download, args=(
                file_name,
                url_list[i],
            ))


# 因为网站那边肯定有反爬机制,因此设定爬取五个页面就暂停1.5秒再继续,同时headers里的user-agent是随机抽取的,因此隐蔽性略微提高。
# 调用download,提取网页上的问题并以给定的文件名保存到本地
        Multi.close()
        Multi.join()
コード例 #6
0
def get_book_list(book_url):
    #返回列表,为当前页下包含小说的li标签
    html = requests.get(book_url,
                        headers=sth.get_agent_pc()).content.decode('gbk')
    options = (r'<li>.*class="ablum".*</li>')
    return re.findall(options, html)