用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\|[^"]+?\.(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。
文章转载：Python编程学习圈
（版权归原作者所有，侵删）
点击下方“阅读原文”查看更多