使用多进程 及 代理池爬取小说（python）

1.

 

（1）

打印出现NoneType的地方

结果显示：

<class 'NoneType'>

原因：经过查阅资料发现：出现这种问题就是，获取不到数据。原因就是该网站被爬太多次，我们被该网页服务器的反爬虫程序发现了，并禁止我们爬取。因此我们需要模拟浏览器，重新给服务器发送请求，并且添加头等信息headers，headers是解决requests请求反爬的方法之一，相当于我们进去这个网页的服务器本身，假装自己本身在爬取数据。对反爬虫网页，可以设置一些headers信息，模拟成浏览器取访问网站 。

 

注意：headers中有很多内容，主要常用的就是user-agent 和 host，他们是以键对的形式展现出来，如果user-agent 以字典键对形式作为headers的内容，就可以反爬成功，就不需要其他键对；否则，需要加入headers下的更多键对形式。

你可以找你的浏览器的header，我这里直接给出一个header运行

header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"}

未解决

参考文章：解决python爬虫时遇到AttributeError: ‘NoneType‘ object has no attribute ‘find_all‘_小朱小朱绝不服输的博客-CSDN博客

（2）

BeautifulSoup报"AttributeError: 'NoneType' object has no attribute 'find_all' "的原因可能有很多，包括URL错误、HTML代码有误、标签、属性不存在等等。

在使用find_all()方法查找标签时，应该先确保标签、属性存在，避免出现这个错误。同时，推荐使用其他解析器，如lxml，来解决这个问题。

print(soup.find(attrs={'class':'mb20'}).find_all('a'))

 

 

 

标签名不唯一，find方法

获取到指定文档从上到下第一个指定标签

 解决思路：换一本书

 

 发现换一本书结构也是一样的，box_con标签还是有两个。且最新章节与正文部分在一个box_con容器内

for i in (soup.find_all(attrs={'class':'box_con'}).find_all('a')):

 

for i in (soup.find_previous(attrs={'class':'box_con'}).find_all('a')):

 

for i in (soup.find_next(attrs={'class':'box_con'}).find_all('a')):

 

for i in (soup.find_previous(attrs={'class':'box_con'})[1:].find_all('a')):

 

for i in (soup.find_all(attrs={'class':'box_con'})[1].find_all('a')):

成功

参考文章：

BeautifulSoup报”AttributeError: ‘NoneType’ object has no attribute ‘find_all’ “异常的原因以及解决办法_Python技术站

2.

数据在打开某一节的内容，打开抓包工具netork>Fetch>payload data = { 'articleid': '173_173952', 'chapterid': chapterid, 'pid': flag, }

http://www.ibiqu.org/173_173952/

打开第一章的内容，打开抓包工具netork>Fetch>payload

binbin

屏蔽部分代码后，运行结果都是目录的内容

​