python3.6 单文件爬虫 断点续存 普通版 文件续存方式

# 导入必备的包
# 本文爬取的是顶点小说中的完美世界为列。文中的aa.text,bb.text为自己创建的text文件
import requests
from bs4 import BeautifulSoup

# 爬取目标url

url = 'https://www.x23us.com/html/42/42377/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3393.4 Safari/537.36'
}


# 单独的函数，用于打开bb文件,bb文件用于存章节的url
def open_href():
    with open('bb.text', 'r', encoding='utf-8') as f:
        a = f.readlines()
    f.close()
    # 将文件里的所有url读出并以列表的形式返回
    return a


# 请求目标网址，并返回文本源码
def page_index():
    html = requests.get(url, headers=headers)
    if html:
        return html.text


# 将目标网址进行解析，得到所有章节的url
def page_list(html):
    if html:
        a = []
        html_bs4 = BeautifulSoup(html, 'lxml')
        html_b = html_bs4.select('.L a')
        for i in html_b:
            title = i.get_text()
            href = url + i.get('href')
            data = {
                'title': title,
                'href': href
            }
            a.append(data)
        return a


# 将aa文件打开并将得到的章节内容写进文件里并关闭存档
def text_cun_html(title, html):
    if html:
        with open('aa.text', 'a+', encoding='utf-8') as f:
            f.write(title + '
' + html + '
')
        f.close()
        print('存档成功！！！！')
        return 'yes'
    else:
        None


# 将bb文件打开并将写入aa文件相对应的url写进bb文件里并关闭存档
def text_cun_href(href):
    if href:
        with open('bb.text', 'a+', encoding='utf-8') as f:
            f.write(href + '
')
        f.close()
        print('href存档成功！！')
        return 'ok'
    else:
        None


# 将得到的章节url解析并二次请求获取章节内容
def html_list_index(title, href):
    if href:
        html = requests.get(url=href, headers=headers)
        if html.status_code == 200:
            bs = BeautifulSoup(html.text, 'lxml')
            bs4 = bs.select('#contents')
            for item in bs4:
                a = text_cun_html(title, item.get_text())
                # 章节内容存档成功返回yes
                if a == 'yes':
                    text_cun_href(href)
                else:
                    None


def main():
    # 首先获取下bb文件的url列表
    number = open_href()
    print(number)
    html = page_index()
    data = page_list(html)
    for i in data:
        title = i.get('title')
        href = i.get('href')
        print(href)
        # 判断发生异常后，在启动服务时，我们过滤掉已爬取过的url
        if href + '
' not in number:
            html_list_index(title, href)
        else:
            None


if __name__ == '__main__':
    main()


#简单思路实现断点续存，不喜勿喷，欢迎共同讨论