利用Python3爬取下载bookset网站的kindle电子书

  突然间发现这个网站,可以下载很多kindle电子书。观摩了下,和前段时间刚写的爬取头条有点类似。
  该网站链接首页:https://bookset.me/,这次爬取排行榜链接:https://bookset.me/?rating=douban,打开观察发现排行榜其实真正分页规则是https://bookset.me/page/num?rating=douban,其中num代表页数。

具体代码如下:

#-*- coding: utf-8 -*-

import re
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
import requests
from multiprocessing import Pool

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0',
        'Content-Type': 'application/x-www-form-urlencoded',
        'Connection': 'Keep-Alive',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
    }

# 获取页面信息
def get_page_index(page_num):
    url = 'https://bookset.me/page/'+ str(page_num) + '?rating=douban'
    print(url)
    try:
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        print('请求索引出错')
        return None

# 获取当页所有书的URL
def parse_page_index(html):
    pattern = re.compile(r'class="thumb-img focus"> <a href="(.*?)" title="(.*?)">', re.S)
    items = re.findall(pattern, html)
    print(items)
    print(type(items))
    for item in items:
        yield {
            'href': item[0],
            'title': item[1]
        }

# 获取详情页信息
def get_page_detail(url):
    try:
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        print('请求详情页出错', url)
        return None

# 获取页面详情
def parse_page_detail(html, title):
    soup = BeautifulSoup(html, 'lxml')
    #匹配包含书链接的标签,而且取最后一个下载链接,以mobi格式下载为主
    book_link_tag = soup.find_all("a", class_ = "mbm-book-download-links-link")[-1]
    book_link_pattern = re.compile(r'href="(.*?)"', re.S)
    # 书下载链接直接用正则表达式死活匹配匹配不出来,故作了两次转换
    book_link = re.search(book_link_pattern, str(book_link_tag)).group(1)
    editors_tag = soup.select(".mbm-book-details-editors-data")
    for editor in editors_tag:
        editors = editor.get_text().replace(' ','-')
    # 书的名字格式
    book_name = editors + '-' + title
    # 获取文件格式
    book_format = book_link[-4:]
    down_load_book(book_link, book_name, book_format)
    print(book_name)
    print(book_link)
    print(book_format)

# 下载书文件
def down_load_book(book_link, book_name, book_format):
    print('正在下载:', book_link)
    try:
        response = requests.get(book_link, headers = headers)
        if response.status_code == 200:
            save_bookes(response.content, book_name, book_format)
        return None
    except RequestException:
        print('请求文件出错', book_link)
        return None

# 存储书文件
def save_bookes(content, book_name, book_format):
    # 保存到当前目录下
    file_path = '{0}.{1}'.format(book_name, book_format)
    with open(file_path, 'wb') as f:
        f.write(content)
        f.close()

def main(page_num):
    html = get_page_index(page_num)
    for i in parse_page_index(html):
        content = get_page_detail(i['href'])
        parse_page_detail(content, i['title'])
        # 为了调试方便,只抓取每一页第一本,加了break跳出当页所有书链接的循环
        break

if __name__ == '__main__':
    # 利用多线程,同时请求前5页下载
    groups = [x for x in range(1, 6)]
    pool = Pool()
    pool.map(main, groups)

爬取结果:

运行结果
下载保存结果

遇到的问题:

  1. 返回书页面详情中,包含书下载链接标签如下:
<a class="mbm-book-download-links-link" target="_blank" href="http://download.bookset.me/2006/5/%5B美%5D-卡勒德·胡赛尼-追风筝的人-9787208061644.mobi" data-original-title="" title="">
  <span class="mbm-book-download-links-text">mobi下载</span>
</a>

采用正则表达式匹配该书的链接,匹配不出来,写的正则表达式匹配模式是:

page_pattern = re.compile(r'<a class="mbm-book-download-".*?target="_blank" href="(.*?)"', re.S)
result = re.search(page_pattern, html)
book_link = result.group(1)
未匹配到报错

希望朋友帮忙改进,共同探讨!

  1. 代码写了爬取下载前5页每一页的第一本书,实际上保存下载下来只有4本书,估计是短时间内同一IP请求下载多本数目过多。我尝试短时间内手动下载多本提示下面这个:


    短时间内手动下载多本提示

会IP代理池的朋友可以帮忙验证下。

©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 173,455评论 25 708
  • 这两天摸索了下scrapy,刚看文档的时候觉得有点生无可恋,scrapy框架个人还是觉得比较难懂的,需要学习的地方...
    Treehl阅读 5,677评论 7 10
  • 转眼一个多月就这样过去了。距离上一次更文已经过去一个月零六天了。这一个多月仿佛经历了很多。把我整个人从打了鸡血状态...
    不可辜负的自由阅读 301评论 0 2
  • 为了能够结交到更多的淘宝客朋友,前段时间特意建立一个淘宝客交流群,我发现很多朋友进群之后的第一句话便是“淘宝客还能...
    淘宝客阅读 606评论 1 0