Python爬虫爬取美剧网站的实现代码


Posted in Python onSeptember 03, 2016

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。

Python爬虫爬取美剧网站的实现代码

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。

Python爬虫爬取美剧网站的实现代码

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

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。

# -*- coding:utf-8 -*-
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'<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)
    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

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。

本文作者:码农网 ? 肖豪

Python 相关文章推荐
Python实现简单状态框架的方法
Mar 19 Python
python基础教程之分支、循环简单用法
Jun 16 Python
python在非root权限下的安装方法
Jan 23 Python
读取json格式为DataFrame(可转为.csv)的实例讲解
Jun 05 Python
pandas.DataFrame.to_json按行转json的方法
Jun 05 Python
在pycharm上mongodb配置及可视化设置方法
Nov 30 Python
python实现比对美团接口返回数据和本地mongo数据是否一致示例
Aug 09 Python
Python中zip()函数的简单用法举例
Sep 02 Python
python实现自动化报表功能(Oracle/plsql/Excel/多线程)
Dec 02 Python
Python object类中的特殊方法代码讲解
Mar 06 Python
python实现提取COCO,VOC数据集中特定的类
Mar 10 Python
Python使用windows设置定时执行脚本
Nov 12 Python
Python选课系统开发程序
Sep 02 #Python
简单谈谈Python中函数的可变参数
Sep 02 #Python
Python实现自动添加脚本头信息的示例代码
Sep 02 #Python
利用Python获取操作系统信息实例
Sep 02 #Python
好用的Python编辑器WingIDE的使用经验总结
Aug 31 #Python
Linux下为不同版本python安装第三方库
Aug 31 #Python
Python中的左斜杠、右斜杠(正斜杠和反斜杠)
Aug 30 #Python
You might like
cache_lite试用
2007/02/14 PHP
数据库查询记录php 多行多列显示
2009/08/15 PHP
PHP封装的验证码工具类定义与用法示例
2018/08/22 PHP
5 cool javascript apps
2007/03/24 Javascript
node.js中的favicon.ico请求问题处理
2014/12/15 Javascript
javascript实现类似超链接的效果
2014/12/26 Javascript
JQuery显示、隐藏div的几种方法简明总结
2015/04/16 Javascript
全系IE支持Bootstrap的解决方法
2015/10/19 Javascript
JavaScript 输出显示内容(document.write、alert、innerHTML、console.log)
2016/12/14 Javascript
javascript事件的传播基础实例讲解(35)
2017/02/14 Javascript
JS中的作用域链
2017/03/01 Javascript
JSONP跨域请求
2017/03/02 Javascript
vue父组件异步获取数据传给子组件的方法
2018/07/26 Javascript
JS中数据结构之栈
2019/01/01 Javascript
Node.js在图片模板上生成二维码图片并附带底部文字说明实现详解
2019/08/07 Javascript
Vue.js中使用Vuex实现组件数据共享案例
2020/07/31 Javascript
js实现手表表盘时钟与圆周运动
2020/09/18 Javascript
[01:14:55]EG vs Spirit Supermajor 败者组 BO3 第三场 6.4
2018/06/05 DOTA
Python显示进度条的方法
2014/09/20 Python
python中常用检测字符串相关函数汇总
2015/04/15 Python
在Python中操作字符串之rstrip()方法的使用
2015/05/19 Python
PyQt5打开文件对话框QFileDialog实例代码
2018/02/07 Python
如何利用python制作时间戳转换工具详解
2018/09/12 Python
Python小白必备的8个最常用的内置函数(推荐)
2019/04/03 Python
flask框架蓝图和子域名配置详解
2020/01/25 Python
用 Python 制作地球仪的方法
2020/04/24 Python
python openCV实现摄像头获取人脸图片
2020/08/20 Python
Scrapy中如何向Spider传入参数的方法实现
2020/09/28 Python
使用numpngw和matplotlib生成png动画的示例代码
2021/01/24 Python
如何开发安全的AJAX应用
2014/03/26 面试题
机电一体化应届生求职信范文
2014/01/24 职场文书
低碳环保演讲稿
2014/08/28 职场文书
2019年励志签名:致拼搏路上的自己
2019/10/11 职场文书
Redis5之后版本的高可用集群搭建的实现
2021/04/27 Redis
tensorflow+k-means聚类简单实现猫狗图像分类的方法
2021/04/28 Python
在SQL Server中使用 Try Catch 处理异常的示例详解
2022/07/15 SQL Server