中国领先的IT技术网站
|
|

Python爬虫爬取美剧网站

正好一直在学习Python爬虫,所以今天就心血来潮来写了个爬虫,抓取该网站上所有美剧链接,并保存在文本文档中,想要哪部剧就直接打开复制链接到迅雷就可以下载啦。

作者:肖豪来源:码农网|2016-12-07 11:18

沙龙活动 | 去哪儿、陌陌、ThoughtWorks在自动化运维中的实践!10.28不见不散!


一直有爱看美剧的习惯,一方面锻炼一下英语听力,一方面打发一下时间。之前是能在视频网站上面在线看的,可是自从广电总局的限制令之后,进口的美剧英剧等貌似就不在像以前一样同步更新了。但是,作为一个宅diao的我又怎甘心没剧追呢,所以网上随便查了一下就找到一个能用迅雷下载的美剧下载网站【天天美剧】,各种资源随便下载,最近迷上的BBC的高清纪录片,大自然美得不要不要的。

虽说找到了资源网站可以下载了,但是每次都要打开浏览器,输入网址,找到该美剧,然后点击链接才能下载。时间长了就觉得过程好繁琐,而且有时候网站链接还会打不开,会有点麻烦。正好一直在学习Python爬虫,所以今天就心血来潮来写了个爬虫,抓取该网站上所有美剧链接,并保存在文本文档中,想要哪部剧就直接打开复制链接到迅雷就可以下载啦。

其实一开始打算写那种发现一个url,使用requests打开抓取下载链接,从主页开始爬完全站。但是,好多重复链接,还有其网站的url不是我想的那么规则,写了半天也没有写出我想要的那种发散式的爬虫,也许是自己火候还不到吧,继续努力。。。

后来发现,其电视剧链接都是在文章里面,然后文章url后面有个数字编号,就像这样的http://cn163.net/archives/24016/,所以机智的我又用了之前写过的爬虫经验,解决方法就是自动生成url,其后面的数字不是可以变的吗,而且每部剧的都是唯一的,所以尝试了一下大概有多少篇文章,然后用range函数直接连续生成数来构造url。

但是很多url是不存在的,所以会直接挂掉,别担心,我们用的可是requests,其自带的status_code就是用来判断请求返回的状态的,所以只要是返回的状态码是404的我们都把它跳过,其他的都进去爬取链接,这就解决了url的问题了。

以下就是上述步骤的实现代码。

  1. def get_urls(self): 
  2.     try
  3.         for i in range(2015,25000): 
  4.             base_url='http://cn163.net/archives/' 
  5.             url=base_url+str(i)+'/' 
  6.             if requests.get(url).status_code == 404
  7.                 continue 
  8.             else
  9.                 self.save_links(url) 
  10.     except Exception,e: 
  11.         pass 

其余的就进行的很顺利了,网上找到前人写的类似的爬虫,但是只是爬取一篇文章的,所以借鉴了一下其正则表达式。自己用了BeautifulSoup还没有正则效果好,所以果断弃了,学海无涯啊。但是效果也不是那么理想,有一半左右的链接不能正确抓取,还需继续优化。

  1. #  -*- coding:utf-8 -*- 
  2. import requests  
  3. import re 
  4. import sys 
  5. import threading 
  6. import time 
  7. reload(sys) 
  8. sys.setdefaultencoding('utf-8'
  9. class Archives(object): 
  10.  
  11.     def save_links(self,url): 
  12.         try
  13.  
  14.             data=requests.get(url,timeout=3
  15.             content=data.text 
  16.             link_pat='"(ed2k://\|file\|[^"]+?\.(S\d+)(E\d+)[^"]+?1024X\d{3}[^"]+?)"' 
  17.             name_pat=re.compile(r'<h2 class="entry_title">(.*?)</h2>',re.S) 
  18.             links = set(re.findall(link_pat,content)) 
  19.             name=re.findall(name_pat,content) 
  20.             links_dict = {} 
  21.             count=len(links) 
  22.         except Exception,e: 
  23.             pass 
  24.         for i in links: 
  25.             links_dict[int(i[1][1:3]) * 100 + int(i[2][1:3])] = i#把剧集按s和e提取编号 
  26.         try
  27.             with open(name[0].replace('/',' ')+'.txt','w') as f: 
  28.                 print name[0
  29.                 for i in sorted(list(links_dict.keys())):#按季数+集数排序顺序写入 
  30.                     f.write(links_dict[i][0] + '\n'
  31.             print "Get links ... ", name[0], count 
  32.         except Exception,e: 
  33.             pass 
  34.  
  35.     def get_urls(self): 
  36.         try
  37.             for i in range(2015,25000): 
  38.                 base_url='http://cn163.net/archives/' 
  39.                 url=base_url+str(i)+'/' 
  40.                 if requests.get(url).status_code == 404
  41.                     continue 
  42.                 else
  43.                     self.save_links(url) 
  44.         except Exception,e: 
  45.             pass 
  46.     def main(self): 
  47.         thread1=threading.Thread(target=self.get_urls()) 
  48.         thread1.start() 
  49.         thread1.join() 
  50.     if __name__ == '__main__'
  51.     start=time.time() 
  52.     a=Archives() 
  53.     a.main() 
  54.     end=time.time() 
  55.     print end-start 

完整版代码,其中还用到了多线程,但是感觉没什么用,因为Python的GIL的缘故吧,看似有两万多部剧,本以为要很长时间才能抓取完成,但是除去url错误的和没匹配到的,总共抓取时间20分钟不到。搞得我本来还想使用Redis在两台Linux上爬取,但是折腾了一番之后感觉没必要,所以就这样吧,后面需要更大数据的时候再去弄。

还有过程中遇到一个很折磨我的问题是文件名的保存,必须在此抱怨一下,txt文本格式的文件名能有空格,但是不能有斜线、反斜线、括号等。就是这个问题,一早上的时间都花在这上面的,一开始我以为是抓取数据的错误,后面查了半天才发现是爬取的剧名中带有斜杠,这可把我坑苦了。

【编辑推荐】

  1. 细数10个隐藏在Python中的彩蛋
  2. Python并发编程:锁、信号量和条件变量
  3. 干货分享:Python开发的高级技巧
  4. Python内存问题:提示和技巧
  5. 盘点十大隐藏在Python中的彩蛋
【责任编辑:seeker TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

Windows用户态程序高效排错

本书是一本介绍Windows系统上的用户态程序排错方法和技巧的书。本书分为4个章节,先介绍最重要的、通用的思考方法,以便制定排错步骤;再介...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊
× Python最火的编程语言