Python爬蟲爬取美劇網(wǎng)站

一直有愛看美劇的習(xí)慣，一方面鍛煉一下英語(yǔ)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(zhǎng)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(yè)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(hào)，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(qǐng)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。

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。

# -*- 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'

(.*?)

',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#把劇集按s和e提取編號(hào) try: with open(name[0].replace('/',' ')+'.txt','w') as f: print name[0] for i in sorted(list(links_dict.keys())):#按季數(shù)+集數(shù)排序順序?qū)懭? 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

完整版代碼，其中還用到了多線程，但是感覺沒什么用，因?yàn)镻ython的GIL的緣故吧，看似有兩萬(wàn)多部劇，本以為要很長(zhǎng)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(hào)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。