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]+\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 '\n'
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+'\n'
#if line !='http://www.nanpaisanshu.org/9701.html':
of.write(line+'\n') #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('\n','')
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('\n','')
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/>','\n')
#print str(urllist)
scon = re.sub("<.*>", "", scon)
scon = re.sub("(.*? );","",scon)
#scon = scon.strip()
scon = '\n'.join(scon.split()) print scon
outfile.write(sti+'\n'+line+'\n'+scon) #将标题和内容写进文件里
#i=i+1
#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]+\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 '\n'
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+'\n'
#if line !='http://www.nanpaisanshu.org/9701.html':
of.write(line+'\n') #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('\n','')
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('\n','') 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/>','\n')
#print str(urllist)
scon = re.sub("<.*>", "", scon)
scon = re.sub("(.*?);","",scon)
#scon = scon.strip()
scon = '\n'.join(scon.split()) print scon
outfile.write(sti+'\n'+line+'\n'+scon) #将标题。链接，内容写进文件里
#i=i+1
#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