本文共 3624 字,大约阅读时间需要 12 分钟。
近段时间,笔者发现一个神奇的网站: ,该网站提供了大量免费的编程方面的电子书,是技术爱好者们的福音。其页面如下:
那么我们是否可以通过Python来制作爬虫来帮助我们实现自动下载这些电子书呢?答案是yes. 笔者在空闲时间写了一个爬虫,主要利用urllib.request.urlretrieve()函数和多线程来下载这些电子书。 首先呢,笔者的想法是先将这些电子书的下载链接网址储存到本地的txt文件中,便于永久使用。其Python代码(Ebooks_spider.py)如下, 该代码仅下载第一页的10本电子书作为示例:# -*- coding:utf-8 -*-# 本爬虫用来下载http://www.allitebooks.com/中的电子书# 本爬虫将需要下载的书的链接写入txt文件,便于永久使用# 网站http://www.allitebooks.com/提供编程方面的电子书# 导入必要的模块import urllib.requestfrom bs4 import BeautifulSoup# 获取网页的源代码def get_content(url): html = urllib.request.urlopen(url) content = html.read().decode('utf-8') html.close() return content# 将762个网页的网址储存在list中base_url = 'http://www.allitebooks.com/'urls = [base_url]for i in range(2, 762): urls.append(base_url + 'page/%d/' % i)# 电子书列表,每一个元素储存每本书的下载地址和书名book_list =[]# 控制urls的数量,避免书下载过多导致空间不够!!!# 本例只下载前3页的电子书作为演示# 读者可以通过修改url[:3]中的数字,爬取自己想要的网页书,最大值为762for url in urls[:1]: try: # 获取每一页书的链接 content = get_content(url) soup = BeautifulSoup(content, 'lxml') book_links = soup.find_all('div', class_="entry-thumbnail hover-thumb") book_links = [item('a')[0]['href'] for item in book_links] print('\nGet page %d successfully!' % (urls.index(url) + 1)) except Exception: book_links = [] print('\nGet page %d failed!' % (urls.index(url) + 1)) # 如果每一页书的链接获取成功 if len(book_links): for book_link in book_links: # 下载每一页中的电子书 try: content = get_content(book_link) soup = BeautifulSoup(content, 'lxml') # 获取每本书的下载网址 link = soup.find('span', class_='download-links') book_url = link('a')[0]['href'] # 如果书的下载链接获取成功 if book_url: # 获取书名 book_name = book_url.split('/')[-1] print('Getting book: %s' % book_name) book_list.append(book_url) except Exception as e: print('Get page %d Book %d failed' % (urls.index(url) + 1, book_links.index(book_link)))# 文件夹directory = 'E:\\Ebooks\\'# 将书名和链接写入txt文件中,便于永久使用with open(directory+'book.txt', 'w') as f: for item in book_list: f.write(str(item)+'\n')print('写入txt文件完毕!')
可以看到,上述代码主要爬取的是静态页面,因此效率非常高!运行该程序,显示结果如下:
在book.txt文件中储存了这10本电子书的下载地址,如下: 接着我们再读取这些下载链接,用urllib.request.urlretrieve()函数和多线程来下载这些电子书。其Python代码(download_ebook.py)如下:# -*- coding:utf-8 -*-# 本爬虫读取已写入txt文件中的电子书的链接,并用多线程下载import timefrom concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETEDimport urllib.request# 利用urllib.request.urlretrieve()下载PDF文件def download(url): # 书名 book_name = 'E:\\Ebooks\\'+url.split('/')[-1] print('Downloading book: %s'%book_name) # 开始下载 urllib.request.urlretrieve(url, book_name) print('Finish downloading book: %s'%book_name) #完成下载def main(): start_time = time.time() # 开始时间 file_path = 'E:\\Ebooks\\book.txt' # txt文件路径 # 读取txt文件内容,即电子书的链接 with open(file_path, 'r') as f: urls = f.readlines() urls = [_.strip() for _ in urls] # 利用Python的多线程进行电子书下载 # 多线程完成后,进入后面的操作 executor = ThreadPoolExecutor(len(urls)) future_tasks = [executor.submit(download, url) for url in urls] wait(future_tasks, return_when=ALL_COMPLETED) # 统计所用时间 end_time = time.time() print('Total cost time:%s'%(end_time - start_time))main()
运行上述代码,结果如下:
再去文件夹中查看文件: 可以看到这10本书都已成功下载,总共用时327秒,每本书的平均下载时间为32.7,约半分钟,而这些书的大小为87.7MB,可见效率相当高的! 怎么样,看到爬虫能做这些多有意思的事情,不知此刻的你有没有心动呢?心动不如行动,至理名言~~ 本次代码已上传github, 地址为: .注意:本人现已开通两个微信公众号: 用Python做数学(微信号为:python_math)以及轻松学会Python爬虫(微信号为:easy_web_scrape), 欢迎大家关注哦~~