美文网首页大数据 爬虫Python AI Sql
Python爬取美剧,再也不用剧荒了,哈哈~

Python爬取美剧,再也不用剧荒了,哈哈~

作者: 山禾家的猫 | 来源:发表于2018-12-31 19:07 被阅读0次

    小编最近放元旦假期了,外面冰天雪地的又不想出去玩儿~还是宅在家里吧~

    但是身为宅女的我怎么可能不追剧呢?最近小编迷上了美剧,无奈好多网站的美剧质量内容都参差不齐,于是本宅女就得自己动手啦,用Python爬美剧去。

    走吧~

    小编推荐大家可以加我的扣扣群 735934841 ,免费领取Python视频资料

    美剧下载网站【天天美剧】

    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。

    效果图:

    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|[^"]+?.(Sd+)(Ed+)[^"]+?1024Xd{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] + '')

    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

    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。

    文章就到这里啦~

    相关文章

      网友评论

        本文标题:Python爬取美剧,再也不用剧荒了,哈哈~

        本文链接:https://www.haomeiwen.com/subject/ehywlqtx.html