自从看了师傅爬了顶点全站之后，我也手痒痒的，也想爬一个比较牛逼的小说网看看，于是选了宜搜这个网站，好了，马上开干，这次用的是mogodb数据库，感觉mysql太麻烦了下图是我选择宜搜里面遍历的网站
先看代码框架图
进群：548377875 即可获取数十套PDF哦！
第一个，肯定先提取排行榜里面每个类别的链接啊，然后进入链接进行爬取，先看all_theme文件
看看运行结果，这是书籍类目的
这是构造出的每一个类目里面所有的页数链接，也是我们爬虫的入口，一共5000多页
接下来是封装的数据库操作，因为用到了多进程以及多线程每个进程，他们需要知道那些URL爬取过了、哪些URL需要爬取！我们来给每个URL设置两种状态：
outstanding:等待爬取的URL
complete:爬取完成的URL
processing:正在进行的URL。
嗯！当一个所有初始的URL状态都为outstanding；当开始爬取的时候状态改为：processing；爬取完成状态改为：complete；失败的URL重置状态为：outstanding。
为了能够处理URL进程被终止的情况、我们设置一个计时参数，当超过这个值时；我们则将状态重置为outstanding。
接下来是爬虫主程序
让我们来看看结果吧
里面因为很多都是重复的，所有去重之后只有十几万本，好失望......
网友评论