Python爬虫爬取美剧网站

xman

　　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}[^"]+?)"' [/size]
•             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[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。