Python爬取美劇，再也不用劇荒了，哈哈~

小編最近放元旦假期了，外面冰天雪地的又不想出去玩兒~還是宅在家裡吧~

但是身為宅女的我怎麼可能不追劇呢？最近小編迷上了美劇，無奈好多網站的美劇質量內容都參差不齊，於是本宅女就得自己動手啦，用Python爬美劇去。

走吧~

小編推薦大家可以加我的扣扣群 735934841 ，免費領取Python視訊資料

美劇下載網站【天天美劇】

寫了個爬蟲，抓取該網站上所有美劇連結，並儲存在文字文件中，想要哪部劇就直接開啟復制連結到迅雷就可以下載啦。

效果圖：

其實一開始打算寫那種發現一個url，使用requests開啟抓取下載連結，從主頁開始爬完全站。但是，好多重複連結，還有其網站的url不是我想的那麼規則，寫了半天也沒有寫出我想要的那種發散式的爬蟲，也許是自己火候還不到吧，繼續努力。。。

後來發現，其電視劇連結都是在文章裡面，然後文章url後面有個數字編號，就像這樣的http://cn163.net/archives/24016/，所以機智的我又用了之前寫過的爬蟲經驗，解決方法就是自動生成url，其後面的數字不是可以變的嗎，而且每部劇的都是唯一的，所以嘗試了一下大概有多少篇文章，然後用range函式直接連續生成數來構造url。

但是很多url是不存在的，所以會直接掛掉，別擔心，我們用的可是requests，其自帶的status_code就是用來判斷請求返回的狀態的，所以只要是返回的狀態碼是404的我們都把它跳過，其他的都進去爬取連結，這就解決了url的問題了。

以下就是上述步驟的實現程式碼。

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

其餘的就進行的很順利了，網上找到前人寫的類似的爬蟲，但是隻是爬取一篇文章的，所以借鑑了一下其正規表示式。自己用了BeautifulSoup還沒有正則效果好，所以果斷棄了，學海無涯啊。但是效果也不是那麼理想，有一半左右的連結不能正確抓取，還需繼續優化。

# -*- 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|[^"]+?.(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#把劇集按s和e提取編號

try:

with open(name[0].replace('/',' ')+'.txt','w') as f:

print name[0]

for i in sorted(list(links_dict.keys())):#按季數+集數排序順序寫入

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

其中還用到了多執行緒，但是感覺沒什麼用，因為Python的GIL的緣故吧，看似有兩萬多部劇，本以為要很長時間才能抓取完成，但是除去url錯誤的和沒匹配到的，總共抓取時間20分鐘不到。搞得我本來還想使用Redis在兩臺Linux上爬取，但是折騰了一番之後感覺沒必要，所以就這樣吧，後面需要更大資料的時候再去弄。

還有過程中遇到一個很折磨我的問題是檔名的儲存，必須在此抱怨一下，txt文字格式的檔名能有空格，但是不能有斜線、反斜線、括號等。就是這個問題，一早上的時間都花在這上面的，一開始我以為是抓取資料的錯誤，後面查了半天才發現是爬取的劇名中帶有斜槓，這可把我坑苦了。

文章就到這裡啦~