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. exceptException, 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。
编程派:下面的代码中 reload(sys);sys.setdefaultencoding('utf-8') 的做法是不推荐的,容易产生错误。
  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. classArchives(object):
  10. def save_links(self, url):
  11. try:
  12.            data = requests.get(url, timeout=3)
  13.            content = data.text
  14.            link_pat ='"(ed2k://\|file\|[^"]+?\.(S\d+)(E\d+)[^"]+?1024X\d{3}[^"]+?)"'
  15.            name_pat = re.compile(
  16.                r'<h2 class="entry_title">(.*?)</h2>', re.S)
  17.            links = set(re.findall(link_pat, content))
  18.            name = re.findall(name_pat, content)
  19.            links_dict ={}
  20.            count = len(links)
  21. exceptException, e:
  22. pass
  23. for i in links:
  24.            links_dict[int(i[1][1:3])*100+
  25.                       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. exceptException, e:
  33. pass
  34. def get_urls(self):
  35. try:
  36. for i in range(2015,25000):
  37.                base_url ='http://cn163.net/archives/'
  38.                url = base_url + str(i)+'/'
  39. if requests.get(url).status_code ==404:
  40. continue
  41. else:
  42.                    self.save_links(url)
  43. exceptException, e:
  44. pass
  45. def main(self):
  46.        thread1 = threading.Thread(target=self.get_urls())
  47.        thread1.start()
  48.        thread1.join()
  49. if __name__ =='__main__':
  50.    start = time.time()
  51.    a =Archives()
  52.    a.main()
  53.    end = time.time()
  54. 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。
原文链接:http://www.codeceo.com/article/python-crawling-drama.html
文章转载:Python编程学习圈
(版权归原作者所有,侵删)
点击下方“阅读原文”查看更多
继续阅读
阅读原文