< 返回技术文档列表

如何用Python爬虫爬取美剧网站

发布时间:2021-11-07 02:33:43

如何用Python爬虫爬取美剧网站,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。

爬虫爬取美剧网站!

【前言】

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。

如何用Python爬虫爬取美剧网站

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。所以今天的Python学习路线教程就想给大家来点实战的东西,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。

如何用Python爬虫爬取美剧网站

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 reimport sysimport threadingimport 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'<h3 class="entry_title">(.*?)</h3>',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。大家在尝试的时候一定要仔细认真哈!加油加油呀!

看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注血鸟云行业资讯频道,感谢您对血鸟云的支持。


/template/Home/Zkeys/PC/Static