Python爬虫批量下载电影链接

现在爬虫这么流行，学了点正则表达式的我就想着用(.*?)去实现一切偷懒的事。前两天看上了电影天堂这个网站，于是开始想：要不一次性爬取一页的视频下载链接试试。下面是这个网站的简图，接下来的任务就是把最右边红色方框的电影链接全给爬出来，然后可以直接可以用迅雷打包再一个文件夹下载。

image

在360极速浏览器里面我们右键选择查看源代码，定位到第一部影片<<遗传厄运>>，其网页代码如下：

image

很明显，这一页并没有下载链接，必须点击进去这个电影的网址链接才能继续爬虫获取其ftp下载链接。于是我们点进去观察其新网页链接为：

https://www.dy2018.com/i/99901.html

而上面那个html解析代码第523行有：

<a href="/i/99901.html" class="ulink" title="2018年美国7.6分恐怖片《遗传厄运》BD中英双字">

反复观察几个后确认每个电影点开后的新链接为:

https://www.dy2018.com/i/ + 每个电影自己的独立id + .html

接下来很容易就解析出电影的ftp下载链接和磁力链接：

image

理论部分讲解完成后，接下来的Python实现代码如下：

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import requests
import time
import requests
import requests_cache

# User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64)
# AppleWebKit/537.36 (KHTML, like Gecko)
# Chrome/65.0.3325.181 Safari/537.36 OPR/52.0.2871.64

requests_cache.install_cache('demo_cache')
global fp
url = 'https://www.dy2018.com/html/gndy/dyzz/index.html'
# url = 'https://www.dy2018.com/i/99901.html'
user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)'
headers = {'User-Agent': user_agent}
try:
    r = requests.get(url)
    print type(r)
    print r.status_code
    print r.encoding

    html = requests.get(url, headers=headers).text
    html = html.encode(r.encoding)
    html = html.decode("gbk")
    content = html
    # print content

    fp = open(unicode("temp_pachong.txt", 'utf-8'), 'w')  # 文件名不乱码
    fp.write(content.encode('utf-8'))
    fp.close()

    # <a href="/i/99901.html" class="ulink" title="2018年美国7.6分恐怖片《遗传厄运》BD中英双字">2018年美国7.6分恐怖片《遗传厄运》BD中英双字</a>
    pattern = re.compile('<b>.*?<a href="/i/(.*?).html" class="ulink" title="(.*?)">.*?</a>.*?</b>', re.S)
    items = re.findall(pattern, content)

    fp = open(unicode("电影天堂爬虫.txt",'utf-8'),'w')  # 文件名不乱码
    localtime=time.strftime('%Y-%m-%d-%H：%M：%S', time.localtime(time.time()))
    count=0
    fp.write("********************" + localtime +"********************".encode('utf-8') + '\n')
    print '本页总资源数为：' + str(len(items))
    for item in items:
        count=count+1
        temp=str(count) + ":  " + item[1]
        print temp
        fp.write(temp.encode('utf-8')+ '\n')
        temp='https://www.dy2018.com/i/' + item[0] + '.html'
        print temp
        #获取下载链接
        url = temp
        r = requests.get(url)
        user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)'
        headers = {'User-Agent': user_agent}
        html = requests.get(url, headers=headers).text
        html = html.encode(r.encoding)
        html = html.decode("gbk")
        content = html
        # print content
        link_temp = re.compile('<td style=".*?"><a href="(.*?)">.*?</a></td>', re.S)
        link = re.findall(link_temp, content)
        print link[0]
        fp.write(link[0].encode('utf-8') + '\n')

    fp.write("********************" + localtime +"********************".encode('utf-8'))
    fp.close()

except urllib2.URLError, e:
    if hasattr(e, "code"):
        print e.code
    if hasattr(e, "reason"):
        print e.reason
    fp.close()

实际效果如下：

view-source_https___www.dy2018.com_i_99901.html.png