自從看了師傅爬了頂點全站之后，我也手癢癢的，也想爬一個比較牛逼的小說網看看，于是選了宜搜這個網站，好了，馬上開干，這次用的是mogodb數據庫，感覺mysql太麻煩了下圖是我選擇宜搜里面遍歷的網站

先看代碼框架圖

第一個，肯定先提取排行榜里面每個類別的鏈接啊，然后進入鏈接進行爬取，先看all_theme文件

看看運行結果，這是書籍類目的

這是構造出的每一個類目里面所有的頁數鏈接，也是我們爬蟲的入口，一共5000多頁

接下來是封裝的數據庫操作，因為用到了多進程以及多線程每個進程，他們需要知道那些URL爬取過了、哪些URL需要爬取！我們來給每個URL設置兩種狀態：

• outstanding:等待爬取的URL

• complete:爬取完成的URL

• processing:正在進行的URL。

嗯！當一個所有初始的URL狀態都為outstanding；當開始爬取的時候狀態改為：processing；爬取完成狀態改為：complete；失敗的URL重置狀態為：outstanding。

為了能夠處理URL進程被終止的情況、我們設置一個計時參數，當超過這個值時；我們則將狀態重置為outstanding。

接下來是爬蟲主程序

讓我們來看看結果吧

里面因為很多都是重復的，所有去重之后只有十幾萬本，好失望......

作者：蝸牛仔

來源：http://www.jianshu.com/p/a1c5183f3f4d

————廣告時間————

馬哥教育2017年Python自動化運維開發實戰班，馬哥聯合BAT、豆瓣等一線互聯網Python開發達人，根據目前企業需求的Python開發人才進行了深度定制，加入了大量一線互聯網公司：大眾點評、餓了么、騰訊等生產環境真是項目，課程由淺入深，從Python基礎到Python高級，讓你融匯貫通Python基礎理論，手把手教學讓你具備Python自動化開發需要的前端界面開發、Web框架、大監控系統、CMDB系統、認證堡壘機、自動化流程平臺六大實戰能力，讓你從0開始蛻變成Hold住年薪20萬的Python自動化開發人才。

課程咨詢請長按即可咨詢