首页 ›存档› 技术 › 查看内容

Python爬虫爬取美剧网站

2018-3-30 13:00 |来自: 互联网 384 0

摘要: 来自：码农网作者：码农网肖豪链接：http://www.codeceo.com/article/python-crawling-drama.html 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 ...

来自：码农网

作者：码农网肖豪

链接：http://www.codeceo.com/article/python-crawling-drama.html

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**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'

声明：文章版权归原作者所有部分文章转自互联网如有侵权请联系 [邮箱地址] 删除

路过

雷人

握手

鲜花

鸡蛋

收藏分享邀请

上一篇：2017全美哪些大学学费贵的不要不要的~~~下一篇：Python股市数据分析教程学会它，或可以实现半“智能”炒股

Python爬虫爬取美剧网站

相关分类