美剧迷是如何使用Python的

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。

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

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。

编程派:下面的代码中 reload(sys);sys.setdefaultencoding('utf-8') 的做法是不推荐的,容易产生错误。

#  -*- 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

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。

原文发布于微信公众号 - IT派(transfer_3255716726)

原文发表时间:2018-05-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Flutter入门

偶遇FFMpeg(四)-FFmpeg PC端推流

之前在Android集成FFmpeg。主要还是基于命令行的方式进行操作。刚刚好最近又在研究推流相关的东西。看了一些博文。和做了一些实践。 就希望通过本文记录袭...

4563
来自专栏我是攻城师

图形数据库之Neo4j学习(一)

4055
来自专栏漏斗社区

黑客游戏| Owasp juice shop (一)

0x01 前言 最近看到一篇关于owasp juice shop的文章,觉的很有意思,斗哥就自己撸了个环境,上手后深深觉的这是一个很棒的漏洞靶场,所以就把该...

4988
来自专栏DeveWork

【译】WordPress 中的50个过滤器(1):何为过滤器?

这篇文章是来自tutsplus 上系列文章《50 Filters of WordPress》的开篇文,系列文章还在陆续发表中。Jeff 打算借助Github 进...

1899
来自专栏FreeBuf

无线网络嗅探中的Radiotap

引言 在WLAN无线网络抓包的时候不管是用wireshark、tcpdump还是scapy都会出现Radiotap、LLC、SNAP协议层。 如图所示: ? L...

4358
来自专栏北京马哥教育

一致性hash原理与实现

一、背景介绍 memcached的分布式 memcached虽然称为“分布式”缓存服务器,但服务器端并没有“分布式”功能。服务器端内存存储功能,其实现非常简单。...

3867
来自专栏Crossin的编程教室

Python 爬虫爬取美剧网站

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...

4087
来自专栏铭毅天下

干货 |《从Lucene到Elasticsearch全文检索实战》拆解实践

1、题记 2018年3月初,萌生了一个想法:对Elasticsearch相关的技术书籍做拆解阅读,该想法源自非计算机领域红火已久的【樊登读书会】、得到的每天听本...

2K6
来自专栏黑泽君的专栏

从零讲JAVA ,给你一条清晰地学习道路!该学什么就学什么!!

 原文链接:https://zhuanlan.zhihu.com/p/25296859

1022
来自专栏Java帮帮-微信公众号-技术文章全总结

学Java-Spring使用Quartz任务调度定时器

睁开眼看一看窗外的阳光,伸一个懒腰,拿起放在床一旁的水白开水,甜甜的味道,晃着尾巴东张西望的猫猫,在窗台上舞蹈。你向生活微笑,生活也向你微笑。 请你不要询问我...

3323

扫码关注云+社区

领取腾讯云代金券