寫在前面

對一個爬蟲愛好者來說，或多或少都有這麼一點點的收集癖 ~ 發現好的圖片，發現好的書籍，發現各種能存放在電腦上的東西，都喜歡把它批量的爬取下來。 然後放著，是的，就這麼放著.......然後慢慢的遺忘掉.....

爬蟲分析

開啟網址 http://www.allitebooks.com/ 發現特別清晰的小頁面，一看就好爬

在點選一本圖書進入，發現下載的小連結也很明顯的展示在了我們面前，小激動一把，這麼清晰無廣告的網站不多見了。

擼程式碼

這次我採用了一個新的模組 requests-html 這個模組的作者之前開發了一款 requests，你應該非常熟悉了，執行緒控制採用的 queue

pip install requests-html

關於這個模組的使用，你只需要使用搜索引擎搜尋一下這個模組名稱，那文章也是很多滴，作為能學到這篇部落格的你來說，是很簡單的拉~

我們編寫一下核心的內容

from requests_html import HTMLSession
from queue import Queue
import requests
import random

import threading
CARWL_EXIT = False
DOWN_EXIT = False

#####
# 其他程式碼
####
if __name__ == '__main__':

    page_queue = Queue(5)
    for i in range(1,6):
        page_queue.put(i)  # 把頁碼儲存到page_queue裡面

    # 採集結果
    data_queue = Queue()

    # 記錄執行緒列表
    thread_crawl = []
    # 每次開啟5個執行緒
    craw_list = ["採集執行緒1號","採集執行緒2號","採集執行緒3號","採集執行緒4號","採集執行緒5號"]

    for thread_name in craw_list:
        c_thread = ThreadCrawl(thread_name,page_queue,data_queue)
        c_thread.start()
        thread_crawl.append(c_thread)

    while not page_queue.empty():
        pass

    # 如果page_queue為空，採集執行緒退出迴圈
    CARWL_EXIT = True
    for thread in thread_crawl:
        thread.join()
        print("抓取執行緒結束")
 

上面就是爬取圖書詳情頁面的執行緒了，我開啟了5個執行緒爬取，頁碼也只爬取了5 頁，如果你需要更多的，只需要修改

    page_queue = Queue(5)
    for i in range(1,6):
        page_queue.put(i)  # 把頁碼儲存到page_queue裡面

下面我們把 ThreadCrawl 類編寫完畢

session = HTMLSession()

# 這個地方是 User_Agents 以後我把他配置到伺服器上面，就可以遠端獲取了  這個列表裡面有很多項，你自己去原始碼裡面找吧
USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20"
]
# 獲取圖書下載連結的執行緒類
class ThreadCrawl(threading.Thread):
    # 建構函式
    def __init__(self,thread_name,page_queue,data_queue):

        super(ThreadCrawl,self).__init__()
        self.thread_name = thread_name
        self.page_queue = page_queue
        self.data_queue = data_queue
        self.page_url = "http://www.allitebooks.com/page/{}"   #URL拼接模板

    def run(self):
        print(self.thread_name+" 啟動*********")

        while not CARWL_EXIT:
            try:
                page = self.page_queue.get(block=False)
                page_url = self.page_url.format(page)   # 拼接URL操作
                self.get_list(page_url)   # 分析頁面連結 

            except Exception as e:
                print(e)
                break


    # 獲取當前列表頁所有圖書連結
    def get_list(self,url):
        try:
            response = session.get(url)
        except Exception as e:
            print(e)
            raise e

        all_link = response.html.find('.entry-title>a') # 獲取頁面所有圖書詳情連結

        for link in all_link:
            self.get_book_url(link.attrs['href'])   # 獲取圖書連結

    # 獲取圖書下載連結
    def get_book_url(self,url):
        try:
            response = session.get(url)

        except Exception as e:
            print(e)
            raise e

        download_url = response.html.find('.download-links a', first=True)

        if download_url is not None: # 如果下載連結存在，那麼繼續下面的爬取工作
            link = download_url.attrs['href']
            self.data_queue.put(link)   # 把圖書下載地址 儲存到 data_queue裡面，準備後面的下載
            print("抓取到{}".format(link))
 

上述程式碼一個非常重要的內容就是把圖書的下載連結儲存到了data_queue 裡面，這些資料 在另一個下載執行緒裡面是最基本的資料。

下面開始 編寫圖書下載的類和方法。

我開啟了4個執行緒，操作和上面的非常類似

class ThreadDown(threading.Thread):
    def __init__(self, thread_name, data_queue):
        super(ThreadDown, self).__init__()
        self.thread_name = thread_name
        self.data_queue = data_queue

    def run(self):
        print(self.thread_name + ' 啟動************')
        while not DOWN_EXIT:
            try:
                book_link = self.data_queue.get(block=False)
                self.download(book_link)
            except Exception as e:
                pass

    def download(self,url):
        # 隨機瀏覽器User-Agent
        headers = {"User-Agent":random.choice(USER_AGENTS)}
        # 獲取檔名字
        filename = url.split('/')[-1]
        # 如果url裡面包含pdf
        if '.pdf' in url or '.epub' in url:
            file = 'book/'+filename  # 檔案路徑已經寫死，請在跟目錄先建立好一個book資料夾
            with open(file,'wb') as f:  # 開始二進位制寫檔案
                print("正在下載 {}".format(filename))
                response = requests.get(url,stream=True,headers=headers)
                # 獲取檔案大小
                totle_length = response.headers.get("content-length")
                # 如果檔案大小不存在，則直接寫入返回的文字
                if totle_length is None:
                    f.write(response.content)
                else:
                    for data in response.iter_content(chunk_size=4096):
                        f.write(data)
                    else:
                        f.close()

                print("{}下載完成".format(filename))

if __name__ == '__main__': 

# 其他程式碼在上面
    thread_image = []
    image_list = ['下載執行緒1號', '下載執行緒2號', '下載執行緒3號', '下載執行緒4號']
    for thread_name in image_list:
        d_thread = ThreadDown(thread_name, data_queue)
        d_thread.start()
        thread_image.append(d_thread)

    while not data_queue.empty():
        pass

    DOWN_EXIT = True
    for thread in thread_image:
        thread.join()
        print("下載執行緒結束")

如果你把我上面的程式碼都組合完畢，那麼應該可以很快速的去爬取圖書了，當然這些圖書都是英文了，下載下來你能不能讀....... 我就不知道了。

原始碼下載地址，去上篇部落格找吧~~~~