python 站点爬虫 下载在线盗墓笔记小说到本地的脚本

近期闲着没事想看小说，找到一个全是南派三叔的小说的站点，决定都下载下来看看，于是动手，在非常多QQ群里高手的帮助下（本人正則表達式非常烂。程序复杂的正则都是一些高手指导的），花了三四天写了一个脚本

须要 BeautifulSoup 和 requests 两个库

（我已经把凝视写得尽量具体）

这个程序的运行速度非常慢，求高手告诉我优化的方法。！

#-*-coding:utf8-*-

from bs4 import BeautifulSoup
import requests
import re
import os


#打开网页将所需的URL读取出来放进一个列表中
r = requests.get('http://www.nanpaisanshu.org/').content  #打开要读取的网页
content=BeautifulSoup(r).findAll('a',href=re.compile(r'Ahttp://www.nanpaisanshu.org/[a-z]+')) #在网页中找到须要的信息

sc = str(content) #转换为string类型

lists=[]
lists = sc.split(',')   
lists = list(set(lists)) #删除列表中反复信息

lisy=[]


for line in lists:
    p=line.split('"')[1]  #按 " 切割，取出须要的信息写进数组
    lisy.append(p)        #这里已经拥有须要的url
    #print p
#print lisy


#把读取到的URL遍历打开，将全部网页保存到html文件里

s = os.getcwd()#当前路径

d = os.sep  #系统分隔符

namef='aaa' #文件加名称

#b = os.path.exists( s+d+namef) #推断是存在

f=os.path.exists(s+d+namef) #推断是存在

if f==False:
    os.mkdir(s+d+namef)  #假设目录不存在就新建一个
else:
    print u'已经存在'+namef

filenm = s+d+namef+d    #路径

i=1
for line in lisy:
    r = requests.get(line)   #遍历打开全部url
    print r.content
    print '
'
    tfile=open(filenm+'neirong'+str(i)+'.html','w')
    i=i+1
    tfile.write(r.content) #将网页内容写入文件

#将URL文件里的符合要求的URL读取出来写进一个txt文件里
for i in range(1,len(lisy)+1):
    fp = open(filenm+'neirong'+str(i)+'.html', "r")
    of = open(filenm+'neirong'+str(i)+'.txt','w')  
    content = fp.read()   #将文件内容读取

    p=re.compile(r'http://www.nanpaisanshu.org/.*?.html') #正则匹配
    
    #print p.findall(content)

    #print type(p.findall(content))

    for line in p.findall(content):  
        #print line+'
'
        #if line !='http://www.nanpaisanshu.org/9701.html':
        of.write(line+'
')  #将匹配到的文件写入还有一个文件里
        #else:
            #continue

        #of.write(str(p.findall(content)))

#关闭文件
of.close()
fp.close()
tfile.close()


#将txt

for i in range(1,len(lisy)+1):
    ot=open(filenm+'neirong'+str(i)+'.txt','r')
    outfile=open(filenm+'quanbu'+str(i)+'.txt','a+')


    li=[]
    for line in ot:
        line = line.replace('
','')
        li.append(line)   #将url文件里的数据放进列表中

    li = sorted(li)  #给列表排序

    for line in li:
        print line
        #line = line.replace('
','')
        r = requests.get(line).content  #遍历打开全部url
        title=BeautifulSoup(r).find("div",{'class':"post_title"}).h2   #取出标题
        content=BeautifulSoup(r).findAll("div",{'class':"post_entry"}) #取出内容
        sti=str(title).replace('<h2>','').replace('</h2>','')  #处理标题。仅仅保留文字

        #处理内容，仅仅保留文字
        scon = str(content).replace('<p>','  ').replace('</p>','  ').replace('<br/>','
')
        #print str(urllist)
        scon = re.sub("<.*>", "", scon)
        scon = re.sub("(.*?
);","",scon) 
        #scon = scon.strip()
        scon = '
'.join(scon.split())

        print scon
        outfile.write(sti+'
'+line+'
'+scon) #将标题和内容写进文件里
    #i=i+1
    #print 
#print urllist

print '=========================下载结束======================='


#关闭文件
outfile.close()
ot.close()



#取出指定目录下的全部文件名称
targetDir=s+d+namef
for line in os.listdir(targetDir):

    p=re.compile(r'neirong[0-9]{1}') #用正则匹配
    if p.match(line)!=None:
        print "须要删除的文件"+s+d+namef+d+line+'!!'
        os.remove(s+d+namef+d+line)  #匹配成功就删除这个文件，os.remove()中须要完整路径
    else:
        print '保留文件！'
        continue  

有时候会显示连接失败，然后程序报错，应该推断一下  requests.get(url).status_code != 200  只是我加了以后发现执行更慢，每一个页面都推断，汗，可能是由于我这里网速几K的原因才会异常

以下是改动后的完好版，慎用，速度极其的慢。推断的东西和次数添加的缘故：

#-*-coding:utf8-*-

#下载盗墓笔记小说
#2014-10-14
#ZJL

from bs4 import BeautifulSoup
import requests
import re
import os


#打开网页将所需的URL读取出来放进一个列表中
r = requests.get('http://www.nanpaisanshu.org/').content  #打开要读取的网页
content=BeautifulSoup(r).findAll('a',href=re.compile(r'Ahttp://www.nanpaisanshu.org/[a-z]+')) #在网页中找到须要的信息

sc = str(content) #转换为string类型

lists=[]
lists = sc.split(',')   
lists = list(set(lists)) #删除列表中反复信息

lisy=[]


for line in lists:
    p=line.split('"')[1]  #按 " 切割，取出须要的信息写进数组
    lisy.append(p)        #这里已经拥有须要的url
    #print p
#print lisy


#把读取到的URL遍历打开。将全部网页保存到html文件里

s = os.getcwd()#当前路径

d = os.sep  #系统分隔符

namef='aaa' #文件加名称

#b = os.path.exists( s+d+namef) #推断是存在

f=os.path.exists(s+d+namef) #推断是存在

if f==False:
    os.mkdir(s+d+namef)  #假设目录不存在就新建一个
else:
    print u'已经存在'+namef

filenm = s+d+namef+d    #路径

i=1
for line in lisy:
    r = requests.get(line)   #遍历打开全部url
    print r.content
    print '
'
    tfile=open(filenm+'neirong'+str(i)+'.html','w')
    i=i+1
    tfile.write(r.content) #将网页内容写入文件

#将URL文件里的符合要求的URL读取出来写进一个txt文件里
for i in range(1,len(lisy)+1):
    fp = open(filenm+'neirong'+str(i)+'.html', "r")
    of = open(filenm+'neirong'+str(i)+'.txt','w')  
    content = fp.read()   #将文件内容读取

    p=re.compile(r'http://www.nanpaisanshu.org/.*?
.html') #正则匹配
    
    #print p.findall(content)

    #print type(p.findall(content))

    for line in p.findall(content):  
        #print line+'
'
        #if line !='http://www.nanpaisanshu.org/9701.html':
        of.write(line+'
')  #将匹配到的文件写入还有一个文件里
        #else:
            #continue

        #of.write(str(p.findall(content)))

#关闭文件
of.close()
fp.close()
tfile.close()


#将txt

for i in range(1,len(lisy)+1):
    ot=open(filenm+'neirong'+str(i)+'.txt','r')
    if os.path.exists(filenm+'quanbu'+str(i)+'.txt')==True:
        print "已经存在"+filenm+'quanbu'+str(i)+'.txt'+'会先删除再创建'
        os.remove(filenm+'quanbu'+str(i)+'.txt')
        outfile=open(filenm+'quanbu'+str(i)+'.txt','a+')   #防止第二次下载时内容在文件后面追加(不知道会不会又一次新建文件覆盖掉原来的文件所以这么做)

    else:
        print "新建"+filenm+'quanbu'+str(i)+'.txt'
        outfile=open(filenm+'quanbu'+str(i)+'.txt','a+')


    
    li=[]
    for line in ot:
        line = line.replace('
','')
        li.append(line)   #将url文件里的数据放进列表中

    li = sorted(li)  #给列表排序

    for line in li:
    #print line
        #line = line.replace('
','')

        if requests.get(line).status_code != 200:
            print '由于网络原因，这个章节为空!'
            outfile.write('由于网络原因。这个章节为空')   #推断网络连接情况，防止连接失败后程序报错
        elif requests.get(line).status_code == 200:
            print '连接成功！'
            r = requests.get(line).content  #遍历打开全部url
            title=BeautifulSoup(r).find("div",{'class':"post_title"}).h2   #取出标题
            content=BeautifulSoup(r).findAll("div",{'class':"post_entry"}) #取出内容
            sti=str(title).replace('<h2>','').replace('</h2>','')  #处理标题。仅仅保留文字

            #处理内容，仅仅保留文字
            scon = str(content).replace('<p>','  ').replace('</p>','  ').replace('<br/>','
')
            #print str(urllist)
            scon = re.sub("<.*>", "", scon)
            scon = re.sub("(.*?);","",scon) 
            #scon = scon.strip()
            scon = '
'.join(scon.split())

            print scon
            outfile.write(sti+'
'+line+'
'+scon) #将标题。链接，内容写进文件里
        #i=i+1
        #print 
        #print urllist

print '=========================下载结束======================='


#关闭文件
outfile.close()
ot.close()



#取出指定目录下的全部文件名称
targetDir=s+d+namef
for line in os.listdir(targetDir):

    p=re.compile(r'neirong[0-9]{1}') #用正则匹配
    if p.match(line)!=None:
        print "须要删除的文件"+s+d+namef+d+line+'!!'
        os.remove(s+d+namef+d+line)  #匹配成功就删除这个文件，os.remove()中须要完整路径
    else:
        print '保留文件。'
        continue