发表于 2016 年 08 月 18 日 由 秦海传媒

该工具为python代码，对目标源站进行循环采集，同步更新。
采用多线程采集，保证采集速度。采集线程数可根据自己服务器压力自由调整。
采用小说字数比对，仅当当前字数大于已采集字数时才认为该小说有章节更新而进行采集，从而减少不必要的资源浪费。
测试目标站为17K小说网，自己使用的时候请配合自己网站后台规则修改siteid。同时根据目标列表页的代码，修改正则规则。
该正则规则获取3个参数 [0]为书号 [1]为书名 [2]为采集时候的字数。

使用本工具后，无需使用关关等采集器，可以做到单Linux服务器运行小说站。


#!coding=UTF-8 
#######VPSKK.com原创作品，转载请注明出处##########
import urllib
import urllib2
import commands
import time
import threading
import os
import re
import sys

thlen = 10
#定义同时采集的线程数
books = []
#定义需要采集的书库
tsk = []
#定义采集线程数组
bookdict = {}
#定义已采集图书字典，key为目标站书号,value为字数


domain = 'www.vpskk.com'
adminuser = 'admin'
adminpass = '******'
siteid = '23'
# notaddnew = '0'

frompage = 'http://all.17k.com/lib/book/2_0_0_0_0_0_2_0_1.html'



def addbooklist():
    while 1:
        time.sleep(30)
        print '[' + time.strftime('%H:%M:%S')  + '] 采集更新列表线程启动。'
        start = time.time()
        try:
            response = urllib2.urlopen(frompage, timeout = 12)
            content = response.read()
        except:
            continue
        response.close()
        elapsed = (time.time() - start)
        bookattr = re.findall(r'<a class=\"jt\" rel=\"/tip\.xhtml\?book\.id=([0-9]+)\&difference[^>]+>([^<]+)</a>*[\s\S]*?<td class=\"td5\">([0-9]+)</td>',content,re.M)
        print '[' + time.strftime('%H:%M:%S')  + '] 采集更新列表结束，用时：' + str(elapsed) + '秒'
        for ii in range(len(bookattr)):
            newbookid = bookattr[ii][0]
            newbookname = bookattr[ii][1]
            newbooksize = bookattr[ii][2]
            inlist = False
            for tt in range(len(books)):
                if (books[tt][0]==newbookid):
                    inlist = True
            if not inlist:
            #书号不在待采集数组里
                if (newbookid in bookdict.keys()):
                #书号在已采集过的字典里(需要根据字数来判断是否有更新)
                    if (int(newbooksize)>int(bookdict[newbookid])):
                    #采集到书籍字数大于已采集字典里的字数（添加到待采集列表）
                        books.append([newbookid,newbookname,newbooksize])
                        print '书号:' + newbookid + '有更新，旧字数:'+ bookdict[newbookid] + ' 新字数:'+ newbooksize + '  添加到待采集列表。'
                else:
                #书号不在已采集过的字典里（添加到待采集列表）
                    books.append([newbookid,newbookname,newbooksize])
                    print '书号:' + newbookid + '最近未采集，添加到待采集列表。'
        print '[' + time.strftime('%H:%M:%S')  + '] 采集更新列表线程完成，线程休眠。'


def caiji(bookid,bookname,booksize):
        print '正在采集 书号[' + bookid + '] 书名:' + bookname    
        url = 'http://'+ domain + '/modules/article/admin/batchcollect.php?action=bcollect&siteid=' + siteid + '&batchids=' + bookid + '&jieqi_username=' + adminuser + '&jieqi_userpassword=' + adminpass
        start = time.time()
        page = urllib2.urlopen(url,timeout=3600)
        data = page.read(8192)
        while data:
           data = page.read(8192)
        page.close()
        elapsed = (time.time() - start)
        time.sleep(5) #采集完等5秒生成全书
        print '书号[' + bookid + '] 书名:' + bookname + '字数:' + booksize + 'k 采集完成！ 用时：' + str(elapsed) + '秒'
        print '书号[' + bookid + '] 书名:' + bookname + '字数:' + booksize + 'k 添加到最近采集书目字典。'


# 从网页获取要采集的文章ID和文章名字（首次）    
start = time.time()
response = urllib2.urlopen(frompage, timeout = 12)
content = response.read()
response.close()
elapsed = (time.time() - start)
getattr = re.findall(r'<a class=\"jt\" rel=\"/tip\.xhtml\?book\.id=([0-9]+)\&difference[^>]+>([^<]+)</a>*[\s\S]*?<td class=\"td5\">([0-9]+)</td>',content,re.M)
#getsize = re.findall(r'<td class=\"td5\">([0-9]+)</td>',content,re.M)
print '首次获取要采集的文章共' + str(len(getattr)) +'篇，用时：' + str(elapsed) + '秒'
books = books + getattr
if (len(books)<3):
    print('获取列表页失败,退出！')
    exit()

#启动书籍列表采集线程
thaddbooklist = threading.Thread(target=addbooklist,name='taddbooklist')    
thaddbooklist.start()
    
for x in range(thlen):
    bookid = books[0][0]
    bookname = books[0][1]
    booksize = books[0][2]
    tname = 't' + str(x)
    th = threading.Thread(target=caiji,name=tname,args=(bookid,bookname,booksize))
    th.start()
    del books[0]
    bookdict[bookid] = booksize
    tsk.append(th)

#检测空闲线程，当线程闲置时，若待采集列表不为空时，启用该线程进行采集
while 1:
    time.sleep(5)
    for i in range(len(tsk)):
        if not tsk[i].is_alive():
            print tsk[i].name + '线程空闲'
            if len(books) > 0:
                bookid = books[0][0]
                bookname = books[0][1]
                booksize = books[0][2]
                th = threading.Thread(target=caiji,name=tsk[i].name,args=(bookid,bookname,booksize))
                th.start()
                del books[0]
                bookdict[bookid] = booksize
                tsk[i] = th

• 此条目发表在 闲言碎语 分类目录，贴了 python, 杰奇, 采集 标签。将固定链接加入收藏夹。