广州app开发公司思久科技于2016/9/15 11:39摘自网络：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**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。- def get_urls(self):
- try:
- for i in range(2015,25000):
- base_url='http://cn163.net/archives/'
- url=base_url+str(i)+'/'
- if requests.get(url).status_code == 404:
- continue
- else:
- self.save_links(url)
- except Exception,e:
- pass
- import requests
- import re
- import sys
- import threading
- import time
- reload(sys)
- sys.setdefaultencoding('utf-8')
- class Archives(object):
- def save_links(self,url):
- try:
- data=requests.get(url,timeout=3)
- content=data.text
- link_pat='"(ed2k://\|file\|[^"]+?\.(S\d+)(E\d+)[^"]+?1024X\d{3}[^"]+?)"'
- name_pat=re.compile(r'
(.*?)
',re.S)
- links = set(re.findall(link_pat,content))
- name=re.findall(name_pat,content)
- links_dict = {}
- count=len(links)
- except Exception,e:
- pass
- for i in links:
- 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
- try:
- with open(name[0].replace('/',' ')+'.txt','w') as f:
- print name[0]
- for i in sorted(list(links_dict.keys())):#按季数+集数排序顺序写入
- f.write(links_dict[i][0] + '\n')
- print "Get links ... ", name[0], count
- except Exception,e:
- pass
- def get_urls(self):
- try:
- for i in range(2015,25000):
- base_url='http://cn163.net/archives/'
- url=base_url+str(i)+'/'
- if requests.get(url).status_code == 404:
- continue
- else:
- self.save_links(url)
- except Exception,e:
- pass
- def main(self):
- thread1=threading.Thread(target=self.get_urls())
- thread1.start()
- thread1.join()
- if __name__ == '__main__':
- start=time.time()
- a=Archives()
- a.main()
- end=time.time()
- print end-start
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。
-------------------------------------
本文章摘自网络，版权归原创作者所有。如果您有原创的优秀稿件，欢迎联系公司广州app开发公司思久科技投稿
思久科技致力于为客户提供高品质app定制开发服务，多年技术经验，确保质量。广州app开发公司，就找思久科技！详询：020-38894803
相关推荐：
