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。

#  -*- 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'<h2 class="entry_title">(.*?)</h2>',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。

转载于:https://www.cnblogs.com/paisenpython/p/10271854.html

Python爬虫爬取美剧网站相关推荐

  1. 详细实例:用python爬虫爬取幽默笑话网站!(建议收藏)

    前言: 今天为大家带来的内容是详细实例:用python爬虫爬取幽默笑话网站!(建议收藏),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下! 爬取网站为 ...

  2. Python爬虫带你爬取美剧网站

    本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于腾讯云,作者:哲洛不闹 一直有爱看美剧的习惯,一方面锻炼一下英语听力 ...

  3. python爬虫实战: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一样同步更新了.但是,作为一个宅diao ...

  4. Python爬虫爬取伯乐在线网站信息

    一.环境搭建 1.创建环境 执行pip install scrapy安装scrapy 使用scrapy startproject ArticleSpider创建scrapy项目 使用pycharm导入 ...

  5. Jsoup学习 JAVA爬虫爬取美女网站 JAVA爬虫爬取美图网站 爬虫

    最近对爬虫起了兴趣,但是网上都说做爬虫最好得语言是py.但是我只会java,所以就想能不能用java实现一个爬虫,百度搜索发现,其实java也有很多优秀得开源爬虫框架,包括Gecco,webmagic ...

  6. Python爬虫爬取古诗文网站项目分享

    作为一个靠python自学入门的菜鸟,想和大家分享自己写的第一个也是目前为止唯一一个爬虫代码 写爬虫要具备的能力基础:python入门基础,html5基础知识,然后这边用的是scrapy框架,所以还要 ...

  7. python 爬取百度知道,Python 爬虫爬取百度百科网站

    利用python写一个爬虫,爬取百度百科的某一个词条下面的全部链接和每一个链接内部的词条主题和摘要.利用request库爬取页面,然后利用BeautifulSoup对爬取到的页面提取url和关键内容. ...

  8. python爬虫爬取腾讯网站——实时疫情数据并生成Excel表格

    一.基本介绍: 开发背景:自从2020年新冠疫情发生后,至今为止的相关疫情数据新闻已经是非常的巨大了,我们无时不在在用数据尝试帮助我们解剖全球的疫情状况.由此可见,新冠疫情数据的新闻报道数量与国内疫情 ...

  9. python爬虫爬取ip记录网站信息并存入数据库

    1 import requests 2 import re 3 import pymysql 4 #10页 仔细观察路由 5 db = pymysql.connect("localhost& ...

最新文章

  1. iOS ERROR ITMS - 打包上传报错整理
  2. python使用matplotlib可视化棉签图、棉棒图(stem plot)、展示离散而有序的数据
  3. 【传智播客】JavaWeb程序设计任务教程 第四章练习答案
  4. php拉取公众号所有关注的人,微信公众平台开发获取关注者列表
  5. 从案例角度解析建模平台动态规则引擎
  6. 牛客网【每日一题】4月24日 子序列
  7. 安卓手机 Python 自动化测试
  8. Qt笔记-Qt中Json存二进制文件并读取文件(QJsonObject、QJsonArray、QJsonDocument的使用)
  9. 电脑端用起来特别爽的四款软件,哪一款才是你的最爱?
  10. DHT11温湿度传感器模块使用方法和驱动代码实现
  11. Comparable与Comparator对象比较
  12. 2022年成都市市长质量奖申报、评选、表彰、监督管理等活动
  13. INCONEL 600该合金因其强度和耐腐蚀性而广泛用于化学工业
  14. python实现火车票查询_火车票查询(python版)
  15. JAVA试题(100道)
  16. discuz论坛网站更换域名的方法及步骤
  17. html字体铺盖颜色,这5种颜色的褥子不要去买,盖上会让你的家财散尽!
  18. C语言入门:猴子吃桃问题
  19. ChatGPT4吊打国内一众所谓山寨科技公司
  20. 黑帆第四季/全集Black Sails迅雷下载

热门文章

  1. slide简介(大数据技术)
  2. STM32嵌入式系统FreeRTOS使用cJSON解析和构建JSON
  3. Vue基础之Vue条件渲染
  4. mybatis generator生成example_[Springboot系列] SpringBoot与Mybatis结合
  5. 1-1docker加速器
  6. 【SR汇总】基于深度学习方法
  7. fileinput 加 ftp 加 nginx 加 SpringBoot上传文件
  8. Python3 字典
  9. 内部类访问局部变量的时候,为什么变量必须加上final修饰
  10. [转]关于数据库的并发性的一个解决方案