一，獲取免費(fèi)ip
關(guān)于免費(fèi)ip，我選擇的是站大爺。因?yàn)槊赓M(fèi)ip的壽命很短，所以盡量要使用實(shí)時(shí)的ip，這里我專門使用getip.py來(lái)獲取免費(fèi)ip，代碼會(huì)爬取最新的三十個(gè)ip，并以字典的形式返回兩種，如{’http‘：’ip‘}，{’https‘：’ip‘}

?。。。。?！這里是另寫了一個(gè)py文件，后續(xù)正式寫爬蟲的時(shí)候會(huì)調(diào)用。

import requestsfrom lxml import etreefrom time import sleepdef getip():    base_url = "https://www.zdaye.com"    url = "https://www.zdaye.com/dayProxy.html"    headers = {        "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"    }    res = requests.get(url, headers=headers)    res.encoding = "utf-8"    dom = etree.HTML(res.text)    sub_urls = dom.xpath("http://h3[@class ="thread_title"]/a/@href")    sub_pages =[]    for sub_url in sub_urls:        for i in range(1, 11):            sub_page = (base_url + sub_url).rstrip(".html") + "/" + str(i) + ".html"            sub_pages.append(sub_page)    http_list = []    https_list = []    for sub in sub_pages[:3]:        sub_res = requests.get(sub, headers=headers)        sub_res.encoding = "utf-8"        sub_dom = etree.HTML(sub_res.text)        ips = sub_dom.xpath("http://tbody/tr/td[1]/text()")        ports = sub_dom.xpath("http://tbody/tr/td[2]/text()")        types = sub_dom.xpath("http://tbody/tr/td[4]/text()")        sleep(3)        sub_res.close()        for ip,port,type in zip(ips, ports,types):            proxies_http = {}            proxies_https= {}            http = "http://" + ip + ":" + port            https = "https://" + ip + ":" + port            #分別存儲(chǔ)http和https兩種            proxies_http["http"] = http            http_list.append(proxies_http)            proxies_https["https"] = https            https_list.append(proxies_https)    return  http_list,https_listif __name__ == "__main__":    http_list,https_list = getip()    print(http_list)    print(https_list)

二，完整代碼放在最后后面了，這里的 from getip import getip 就是前面獲取ip部分。
這里我收集數(shù)十個(gè)常用的請(qǐng)求頭，將它們與三十個(gè)IP隨機(jī)組合，共可以得到300個(gè)左右的組合。

這里我定義了三個(gè)函數(shù)用于實(shí)現(xiàn)功能。
biquge_get()函數(shù)：輸入搜索頁(yè)面的url，關(guān)于搜索的實(shí)現(xiàn)是修改url中的kw，在main函數(shù)中有體現(xiàn)。
--------------------------返回書籍首頁(yè)的url和書名。

get_list()函數(shù)：輸入biquge_get返回的url。
---------------------返回每個(gè)章節(jié)的url集合。

info_get()函數(shù)：輸入url，ip池，請(qǐng)求頭集，書名。
---------------------將每次的信息保存到本地。

info_get()函數(shù)中我定義四個(gè)變量a,b,c,d用于判斷每個(gè)章節(jié)是否有信息返回，在代碼中有寫足夠清晰的注釋。
這里我講一下我的思路，在for循環(huán)中，我循環(huán)的是章節(jié)長(zhǎng)度的十倍。a，b，c的初始值都是0。
通過索引，url=li_list[a]可以請(qǐng)求每個(gè)章節(jié)內(nèi)容，a的自增實(shí)現(xiàn)跳到下一個(gè)url。但是在大量的請(qǐng)求中也會(huì)有無(wú)法訪問的情況，所以在返回的信息 ’ text1 ‘ 為空的情況a-=1，那么在下一次循環(huán)是依舊會(huì)訪問上次沒有結(jié)果的url。

這里我遇到了一個(gè)坑，我在測(cè)試爬取的時(shí)候會(huì)打印a的值用于觀察，出現(xiàn)它一直打印同一個(gè)章節(jié)數(shù)‘340’直到循環(huán)結(jié)束的情況，此時(shí)我以為是無(wú)法訪問了。后來(lái)我找到網(wǎng)頁(yè)對(duì)照，發(fā)現(xiàn)這個(gè)章節(jié)本來(lái)就沒有內(nèi)容，是空的，所以程序會(huì)一直卡在這里。所以我設(shè)置了另外兩個(gè)變量b，c。

1，使用變量b來(lái)存放未變化的a，若下次循環(huán)b與a相等，說明此次請(qǐng)求沒有成功，c++，因?yàn)槟承╉?yè)面本身存在錯(cuò)誤沒有數(shù)據(jù)，則需要跳過。
2，若c大于10，說明超過十次的請(qǐng)求,都因?yàn)橐恍┚売墒×?，則a++，跳過這一章節(jié)，同時(shí)變量d減一，避免后續(xù)跳出循環(huán)時(shí)出現(xiàn)索引錯(cuò)誤

最后是變量d，d的初始值設(shè)置為章節(jié)長(zhǎng)度，d = len(li_list)，a增加到與d相同時(shí)說明此時(shí)li_list的所有url都使用完了，那么就需要跳出循環(huán)。
然后就是將取出的數(shù)據(jù)保存了。

最后測(cè)試，一共1676章，初始速度大概一秒能下載兩章內(nèi)容左右。

爬取完成，共計(jì)用了10分鐘左右。

import requestsfrom lxml import etreefrom getip import getipimport randomimport timeheaders= {        "User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"    }"""kw輸入完成搜索,打印所有的搜索結(jié)果返回選擇的書籍的url"""def biquge_get(url):    book_info = []    r = requests.get(url =url,                     headers = headers,                     timeout = 20                     )    r.encoding = r.apparent_encoding    html = etree.HTML(r.text)    # 獲取搜索結(jié)果的書名    bookname = html.xpath("http://td[@class = "odd"]/a/text()")    bookauthor = html.xpath("http://td[@class = "odd"]/text()")    bookurl = html.xpath("http://td[@class = "odd"]/a/@href")    print("搜索結(jié)果如下:/n")    a = 1    b = 1    for i in bookname:        print(str(a) + ":", i, "/t作者：", bookauthor[int(b - 1)])        book_info.append([str(a),i,bookurl[a-1]])        a = a + 1        b = b + 2    c = input("請(qǐng)選擇你要下載的小說(輸入對(duì)應(yīng)書籍的編號(hào)):")    book_name = str(bookname[int(c) - 1])    print(book_name, "開始檢索章節(jié)")    url2 = html.xpath("http://td[@class = "odd"]/a/@href")[int(c) - 1]    r.close()    return url2,book_name"""輸入書籍的url，返回每一章節(jié)的url"""def get_list(url):    r = requests.get(url = url,                     headers = headers,                     timeout = 20)    r.encoding = r.apparent_encoding    html = etree.HTML(r.text)    # 解析章節(jié)    li_list = html.xpath("http://*[@id="list"]/dl//a/@href")[9:]    return li_list#請(qǐng)求頭集user_agent = [       "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",       "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",       "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",       "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",       "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",       "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",       "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",       "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",       "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",       "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",       "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",       "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",       "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",       "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",       "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",       "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",       "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52"]"""參數(shù)：url，ip池，請(qǐng)求頭集，書名"""def info_get(li_list,ip_list,headers,book_name):    print("共計(jì)"+str(len(li_list))+"章")    """    a,用于計(jì)數(shù)，成功請(qǐng)求到html并完成后續(xù)的存寫數(shù)據(jù)才會(huì)繼續(xù)請(qǐng)求下一個(gè)url    b,在循環(huán)中存放未經(jīng)過信息返回存儲(chǔ)判斷的a，用于與下一次循環(huán)的a作比較，判斷a是否有變化    c,若超過10次b=a，c會(huì)自增，則說明應(yīng)該跳過此章節(jié)，同時(shí)d減一    d,章節(jié)長(zhǎng)度    """    a = 0    b = 0    c = 0    d = len(li_list)    fp = open("./"+str(book_name)+".txt", "w", encoding="utf-8")    #這里循環(huán)了10倍次數(shù)的章節(jié)，防止無(wú)法爬取完所有的信息。    for i in range(10*len(li_list)):        url = li_list[a]        #判斷使用http還是https        if url[4:5] == "s":            proxies = random.choice(ip_list[0])        else:            proxies = random.choice(ip_list[1])        try:            r = requests.get(url=url,                             headers={"User-Agent": random.choice(headers)},                             proxies=proxies,                             timeout=5                            )            r.encoding = r.apparent_encoding            r_text = r.text            html = etree.HTML(r_text)            try:                title = html.xpath("/html/body/div/div/div/div/h1/text()")[0]            except:                title = html.xpath("/html/body/div/div/div/div/h1/text()")            text = html.xpath("http://*[@id="content"]/p/text()")            text1 = []            for i in text:                text1.append(i[2:])            """            使用變量b來(lái)存放未變化的a，若下次循環(huán)b與a相等，說明此次請(qǐng)求沒有成功，c++，因?yàn)槟承╉?yè)面本身存在錯(cuò)誤沒有數(shù)據(jù)，則需要跳過。            若c大于10，說明超過十次的請(qǐng)求,都因?yàn)橐恍┚売墒×?，則a++，跳過這一章節(jié)，同時(shí)變量d減一，避免后續(xù)跳出循環(huán)時(shí)出現(xiàn)索引錯(cuò)誤            """            if b == a:                c += 1            if c > 10:                a += 1                c = 0                d -=1            b = a            #a+1，跳到下一個(gè)url，若沒有取出信息則a-1.再次請(qǐng)求,若有數(shù)據(jù)返回則保存            a+=1            if len(text1) ==0:                a-=1            else:                fp.write("第"+str(a+1)+"章"+str(title) + ":/n" +"/t"+str(",".join(text1) + "/n/n"))                print("《"+str(title)+"》","下載成功！")            r.close()        except EnvironmentError as e:            pass        # a是作為索引在li_list中取出對(duì)應(yīng)的url，所以最后a的值等于li_list長(zhǎng)度-1，并以此為判斷標(biāo)準(zhǔn)是否跳出循環(huán)。        if a == d:            break    fp.close()if __name__ == "__main__":    kw = input("請(qǐng)輸入你要搜索的小說:")    url = f"http://www.b520.cc/modules/article/search.php?searchkey={kw}"    bookurl,book_name = biquge_get(url)    li_list = get_list(bookurl)    ip_list = getip()    t1 = time.time()    info_get(li_list,ip_list,user_agent,book_name)    t2 = time.time()    print("耗時(shí)"+str((t2-t1)/60)+"min")