开发者

基于Python3制作一个带GUI界面的小说爬虫工具

目录
  • 效果图
    • 开发完成后的界面
    • 采集过程界面
    • 采集后存储
  • 主要功能
    • 用到的第三方模块
      • 打包为 exe 命令
        • 全部源码

          效果图

          最近帮朋友写个简单爬虫,顺便整理了下,搞成了一个带GUI界面的小说爬虫工具,用来从笔趣阁爬取小说。

          开发完成后的界面

          基于Python3制作一个带GUI界面的小说爬虫工具

          采集过程界面

          基于Python3制作一个带GUI界面的小说爬虫工具

          采集后存储

          基于Python3制作一个带GUI界面的小说爬虫工具

          主要功能

          1.多线程采集,一个线程采集一本小说

          2.支持使用代理,尤其是多线程采集时,不使用代理可能封ip

          基于Python3制作一个带GUI界面的小说爬虫工具

          3.实时输出采集结果

          基于Python3制作一个带GUI界面的小说爬虫工具

          使用 threading.BoundedSemaphore() pool_sema.acquire() pool_sema.release() 来限制线程数量,防止并发线程过。具体限制数量,可在软件界面输入,默认5个线程

          基于Python3制作一个带GUI界面的小说爬虫工具

          # 所有线程任务开始前
          pool_sema.threading.BoundedSemaphore(5)
          
          # 具体每个线程开始前 锁
          pool_sema.acquire()  
          ....
          # 线程任务执行结束释放
          pol_sema.release()
          

          用到的第三方模块

          pip install requests
          pip yDzOTdPrTIinstall pysimplegui
          pip install lxml
          pip install pyinstaller
          

          GUI 界面使用了一个tkinter 的封装库 PySimpleGUI, 使用非常方便,虽然界面不够漂亮,但胜在简单,非常适合开发些小工具。https://pysimplegui.readthedocs.io/en/latest/比如这个界面的布局,只需简单几个 list

          layout = [
                  [sg.Text('输入要爬取的小说网址,点此打开笔趣阁站点复制', font=("微软雅黑", 12),
                           key="openwebsite", enable_events=True, tooltip="点击在浏览器中打开")],
                  [sg.Text("小说目录页url,一行一个:")],
           编程客栈       [
                      sg.Multiline('', key="url", size=(120, 6), autoscroll=True, expand_x=True, right_click_menu=['&Right', ['粘贴']]
                                   )
                  ],
                  [sg.Text(visible=False, text_color="#ff0000", key="error")],
                  [
                      sg.Button(button_text='开始采集', key="start", size=(20, 1)),
                      sg.Button(button_text='打开下载目录', key="opendir",
                                size=(20, 1), button_color="#999999")
                  ],
                  [sg.Text('填写ip代理,有密码格式 用户名:密码@ip:端口,无密码格式 ip:端口。如 demo:123456@123.1.2.8:8580')],
                  [
                      sg.Input('', key="proxy"),
                      sg.Text('线程数量:'),
                      sg.Input('5', key="threadnum"),
                  ],
                  [
                      sg.Multiline('等待采集', key="res", disabled=True, border_width=0, background_color="#ffffff", size=(
                          120, 6), no_scrollbar=False, autoscroll=True, expand_x=True, expand_y=True, font=("宋体", 10), text_color="#999999")
                  ],
              ]

          打包为 exe 命令

          pyinstaller -Fw start.py
          

          全部源码

          import time
          import requests
          import os
          import sys
          import re
          import random
          from lxml import etree
          import webbrowser
          import PySimpleGUI as sg
          import threading
          
          
          # user-agent
          header = {
              "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36"
          }
          # 代理
          proxies = {}
          # 删除书名中特殊符号
          # 笔趣阁基地址
          baseurl = 'https://www.xbiquwx.la/'
          # 线程数量
          threadNum = 6
          pool_sema = None
          THREAD_EVENT = '-THREAD-'
          cjstatus = False
          
          # txt存储目录
          filePath = os.path.abspath(os.path.join(os.getcwd(), 'txt'))
          if not os.path.exists(filePath):
              os.mkdir(filePath)
          
          # 删除特殊字符
          def deletetag(text):
              return re.sub(r'[\[\]#\/\\:*\,;\?\"\'<>\|\(\)《》&\^!~=%\{\}@!:。!¥……() ]','',text)
          
          # 入口
          def main():
              global cjstatus, proxies, threadNum, pool_sema
              sg.theme("reddit")
              layout = [
                  [sg.Text('输入要爬取的小说网址,点此打开笔趣阁站点复制', font=("微软雅黑", 12),
                           key="openwebsite", enable_events=True, tooltip="点击在浏览器中打开")],
                  [sg.Text("小说目录页url,一行一个:")],
                  [
                      sg.Multiline('', key="url", size=(120, 6), autoscroll=True, expand_x=True, right_click_menu=['&Right', ['粘贴']]
                                   )
                  ],
                  [sg.Text(visible=False, text_color="#ff0000", key="error")],
                  [
                      sg.Button(button_text='开始采集', key="start", size=(20, 1)),
                      sg.Button(button_text='打开下载目录', key="opendir",
                                size=(20, 1), button_color="#999999")
                  ],
                  [sg.Text('填写ip代理,有密码格式 用户名:密码@ip:端口,无密码格式 ip:端口。如 demo:123456@123.1.2.8:8580')],
                  [
                      sg.Input('', key="proxy"),
                      sg.Text('线程数量:'),
                      sg.Input('5', key="threadnum"),
                  ],
                  [
                      sg.Multiline('等待采集', key="res", disabled=True, border_width=0, background_color="#ffffff", size=(
                          120, 6), no_scrollbar=False, autoscroll=True, expand_x=True, expand_y=True, font=("宋体", 10), text_color="#999999")
                  ],
              ]
              window = sg.Window('采集笔趣阁小说', layout, size=(800, 500), resizable=True,)
              while True:
                  event, values = window.read()
                  if event == sg.WIN_CLOSED or event == 'close':  # if user closes window or clicks cancel
                      break
                  if event == "openwebsite":
                      webbrowser.open('%s' % baseurl)
                  elif event == 'opendir':
                      os.system('start explorer ' + filePath)
                  elif event == 'start':
                      if cjstatus:
                          cjstatus = False
                          window['start'].update('已停止...点击重新开始')
                          continue
                      window['error'].update("", visible=False)
                      urls = values['url'].strip().split("\n")
                      lenth = len(urls)
                      for k, url in enumerate(urls):
                          if (not re.match(r'%s\d+_\d+/' % baseurl, url.strip())):
                              if len(url.strip()) > 0:
                                  window['error'].update("地址错误:%s" % url, visible=True)
                              del urls[k]
          
                      if len(urls) < 1:
                          window['error'].update(
                              "每行地址需符合 %s84_84370/ 形式" % baseurlr, visible=TruyDzOTdPrTIe)
                          continue
                      # 代理
                      if len(values['proxy']) > 8:
                          proxies = {
                              "http": "http://%s" % values['proxy'],
                              "https": "http://%s" % values['proxy']
                          }
                      # 线程数量
                      if values['threadnum'] and int(values['threadnum']) > 0:
                          threadNum = int(values['threadnum'])
                      pool_sema = threading.BoundedSemaphore(threadNum)
                      cjstatus = True
                      window['start'].update('采集中...点击停止')
                      window['res'].update('开始采集')
          
                      for url in urls:
                          threading.Thread(target=downloadbybook, args=(
                              url.strip(), window,), daemon=True).start()
                  elif event == "粘贴":
                      window['url'].update(sg.clipboard_get())
          
                  print("event", event)
                  if event == www.cppcns.comTHREAD_EVENT:
                      strtext = values[THREAD_EVENT][1]
                      window['res'].update(window['res'].get()+"\n"+strtext)
              cjstatus = False
              window.close()
          
          #下载
          def downloadbybook(page_url, window):
              try:
                  bookpage = requests.get(url=page_url, headers=header, proxies=proxies)
              except Exception as e:
                  window.write_event_value(
                      '-THREAD-', (threading.current_thread().name, '\n请求 %s 错误,原因:%s' % (page_url, e)))
                  return
              if not cjstatus:
                  return
              # 锁线程
              pool_sema.acquire()
          
              if bookpage.status_code != 200:
                  window.write_event_value(
                      '-THREAD-', (threading.current_thread().name, '\n请求%s错误,原因:%s' % (page_url, page.reason)))
                  return
          
              bookpage.encoding = 'utf-8'
              page_tree = etree.HTML(bookpage.text)
              bookname = page_tree.xpath('//div[@id="info"]/h1/texhttp://www.cppcns.comt()')[0]
              bookfilename = filePath + '/' + deletetag(bookname)+'.txt'
              zj_list = page_tree.xpath(
                  '//div[@class="box_con"]/div[@id="list"]/dl/dd')
              for _ in zj_list:
                  if not cjstatus:
                      break
                  zjurl = page_url + _.xpath('./a/@href')[0]
                  zjname = _.xpath('./a/@title')[0]
                  try:
                      zjpage = requests.get(
                          zjurl, headers=header, proxies=proxies)
                  except Exception as e:
                      window.write_event_value('-THREAD-', (threading.current_thread(
                      ).name, '\n请求%s:%s错误,原因:%s' % (zjname, zjurl, zjpage.reason)))
                      continue
          
                  if zjpage.status_code != 200:
                      window.write_event_value('-THREAD-', (threading.current_thread(
                      ).name, '\n请求%s:%s错误,原因:%s' % (zjname, zjurl, zjpage.reason)))
                      return 
                  
                  zjpage.encoding = 'utf-8'
                  zjpage_content = etree.HTML(zjpage.text).xpath('//div[@id="content"]/text()')
                  content = "\n【"+zjname+"】\n"
                  for _ in zjpage_content:
                      content += _.strip() + '\n'
                  with open(bookfilename, 'a+', encoding='utf-8') as fs:
                      fs.write(content)
                      window.write_event_value(
                          '-THREAD-', (threading.current_thread().name, '\n%s:%s 采集成功' % (bookname, zjname)))
                  time.sleep(random.uniform(0.05, 0.2))
          
              # 下载完毕
              window.write_event_value('-THREAD-', (threading.current_thread(
              ).name, '\n请求 %s 结束' % page_url))
              pool_sema.release()
          
          
          if __name__ == '__main__':
              main()
          

          以上就是基于python3制作一个带GUI界面的小说爬虫工具的详细内容,更多关于Python3小说爬虫工具的资料请关注我们其它相关文章!

          0

          上一篇:

          下一篇:

          精彩评论

          暂无评论...
          验证码 换一张
          取 消

          最新开发

          开发排行榜