美剧迷是如何使用Python的

桂林seo / 随笔杂谈 / 时间:2017-10-30 18:48
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. defget_urls(self):

  2. try:

  3. fori inrange(2015,25000):

  4. base_url ='http://cn163.net/archives/'

  5. url =base_url +str(i)+'/'

  6. ifrequests.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. importrequests

  3. importre

  4. importsys

  5. importthreading

  6. importtime

  7. reload(sys)

  8. sys.setdefaultencoding('utf-8')

  9. classArchives(object):

  10. defsave_links(self,url):

  11. try:

  12. data =requests.get(url,timeout=3)

  13. content =data.text

  14. link_pat ='"(ed2k://|file|[^"]+?.(Sd+)(Ed+)[^"]+?1024Xd{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. fori inlinks:

  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. withopen(name[0].replace('/',' ')+'.txt','w')asf:

  28. printname[0]

  29. fori insorted(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. defget_urls(self):

  35. try:

  36. fori inrange(2015,25000):

  37. base_url ='http://cn163.net/archives/'

  38. url =base_url +str(i)+'/'

  39. ifrequests.get(url).status_code ==404:

  40. continue

  41. else:

  42. self.save_links(url)

  43. exceptException,e:

  44. pass

  45. defmain(self):

  46. thread1 =threading.Thread(target=self.get_urls())

  47. thread1.start()

  48. thread1.join()

  49. start =time.time()

  50. a =Archives()

  51. a.main()

  52. end =time.time()

  53. printend -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。


桂林SEO半杯酒博客文章,转载请注明原文网址摘自 http://www.mna5.com/suibizatan/344.html,谢谢配合!

微信扫一扫,关注我们
1
3