一直有愛看美劇的習(xí)慣，一方面鍛煉一下英語聽力，一方面打發(fā)一下時(shí)間。之前是能在視頻網(wǎng)站上面在線看的，可是自從廣電總局的限制令之后，進(jìn)口的美劇英劇等貌似就不在像以前一樣同步更新了。但是，作為一個(gè)宅diao的我又怎甘心沒劇追呢，所以網(wǎng)上隨便查了一下就找到一個(gè)能用迅雷下載的美劇下載網(wǎng)站【天天美劇】，各種資源隨便下載，最近迷上的BBC的高清紀(jì)錄片，大自然美得不要不要的。
雖說找到了資源網(wǎng)站可以下載了，但是每次都要打開瀏覽器，輸入網(wǎng)址，找到該美劇，然后點(diǎn)擊鏈接才能下載。時(shí)間長了就覺得過程好繁瑣，而且有時(shí)候網(wǎng)站鏈接還會(huì)打不開，會(huì)有點(diǎn)麻煩。正好一直在學(xué)習(xí)Python爬蟲，所以今天就心血來潮來寫了個(gè)爬蟲，抓取該網(wǎng)站上所有美劇鏈接，并保存在文本文檔中，想要哪部劇就直接打開復(fù)制鏈接到迅雷就可以下載啦。
其實(shí)一開始打算寫那種發(fā)現(xiàn)一個(gè) url ，使用 requests 打開抓取下載鏈接，從主頁開始爬完全站。但是，好多重復(fù)鏈接，還有其網(wǎng)站的 url 不是我想的那么規(guī)則，寫了半天也沒有寫出我想要的那種發(fā)散式的爬蟲，也許是自己火候還不到吧，繼續(xù)努力。。。
后來發(fā)現(xiàn)，其電視劇鏈接都是在文章里面，然后文章url后面有個(gè)數(shù)字編號，就像這樣的http://cn163.net/archives/24016/，所以機(jī)智的我又用了之前寫過的爬蟲經(jīng)驗(yàn)，解決方法就是自動(dòng)生成url，其后面的數(shù)字不是可以變的嗎，而且每部劇的都是唯一的，所以嘗試了一下大概有多少篇文章，然后用range函數(shù)直接連續(xù)生成數(shù)來構(gòu)造url。
但是很多 url 是不存在的，所以會(huì)直接掛掉，別擔(dān)心，我們用的可是 requests ，其自帶的 status_code 就是用來判斷請求返回的狀態(tài)的，所以只要是返回的狀態(tài)碼是404的我們都把它跳過，其他的都進(jìn)去爬取鏈接，這就解決了 url 的問題了。
以下就是上述步驟的實(shí)現(xiàn)代碼。
-
defget_urls(self):
-
try:
-
fori inrange(2015,25000):
-
base_url ='http://cn163.net/archives/'
-
url =base_url +str(i)+'/'
-
ifrequests.get(url).status_code ==404:
-
continue
-
else:
-
self.save_links(url)
-
exceptException,e:
-
pass
其余的就進(jìn)行的很順利了，網(wǎng)上找到前人寫的類似的爬蟲，但是只是爬取一篇文章的，所以借鑒了一下其正則表達(dá)式。自己用了 BeautifulSoup 還沒有正則效果好，所以果斷棄了，學(xué)海無涯啊。但是效果也不是那么理想，有一半左右的鏈接不能正確抓取，還需繼續(xù)優(yōu)化。
編程派：下面的代碼中 reload(sys);sys.setdefaultencoding('utf-8') 的做法是不推薦的，容易產(chǎn)生錯(cuò)誤。
-
# -*- coding:utf-8 -*-
-
importrequests
-
importre
-
importsys
-
importthreading
-
importtime
-
reload(sys)
-
sys.setdefaultencoding('utf-8')
-
classArchives(object):
-
defsave_links(self,url):
-
try:
-
data =requests.get(url,timeout=3)
-
content =data.text
-
link_pat ='"(ed2k://|file|[^"]+?.(Sd+)(Ed+)[^"]+?1024Xd{3}[^"]+?)"'
-
name_pat =re.compile(
-
r'<h2 class="entry_title">(.*?)</h2>',re.S)
-
links =set(re.findall(link_pat,content))
-
name =re.findall(name_pat,content)
-
links_dict ={}
-
count =len(links)
-
exceptException,e:
-
pass
-
fori inlinks:
-
links_dict[int(i[1][1:3])*100+
-
int(i[2][1:3])]=i # 把劇集按s和e提取編號
-
try:
-
withopen(name[0].replace('/',' ')+'.txt','w')asf:
-
printname[0]
-
fori insorted(list(links_dict.keys())):# 按季數(shù)+集數(shù)排序順序?qū)懭?/P>
-
f.write(links_dict[i][0]+'n')
-
print"Get links ... ",name[0],count
-
exceptException,e:
-
pass
-
defget_urls(self):
-
try:
-
fori inrange(2015,25000):
-
base_url ='http://cn163.net/archives/'
-
url =base_url +str(i)+'/'
-
ifrequests.get(url).status_code ==404:
-
continue
-
else:
-
self.save_links(url)
-
exceptException,e:
-
pass
-
defmain(self):
-
thread1 =threading.Thread(target=self.get_urls())
-
thread1.start()
-
thread1.join()
-
start =time.time()
-
a =Archives()
-
a.main()
-
end =time.time()
-
printend -start
完整版代碼，其中還用到了多線程，但是感覺沒什么用，因?yàn)?Python 的 GIL 的緣故吧，看似有兩萬多部劇，本以為要很長時(shí)間才能抓取完成，但是除去 url 錯(cuò)誤的和沒匹配到的，總共抓取時(shí)間20分鐘不到。搞得我本來還想使用 Redis 在兩臺(tái) Linux 上爬取，但是折騰了一番之后感覺沒必要，所以就這樣吧，后面需要更大數(shù)據(jù)的時(shí)候再去弄。
還有過程中遇到一個(gè)很折磨我的問題是文件名的保存，必須在此抱怨一下， txt 文本格式的文件名能有空格，但是不能有斜線、反斜線、括號等。就是這個(gè)問題，一早上的時(shí)間都花在這上面的，一開始我以為是抓取數(shù)據(jù)的錯(cuò)誤，后面查了半天才發(fā)現(xiàn)是爬取的劇名中帶有斜杠，這可把我坑苦了。
