美剧在什么软件可以看得最全(美剧看得不尽兴)
美剧在什么软件可以看得最全(美剧看得不尽兴)大家觉得有什么问题的话可以指出来,毕竟学海无涯,bug无岸。# -*- 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="entr
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,作为一个技术宅又怎甘心没剧追呢,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,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。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。
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,但是只是爬取一篇文章的,所以借鉴了一下其正则表达式,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。
大家觉得有什么问题的话可以指出来,毕竟学海无涯,bug无岸。
最后,小编这里整理了一些关于Python的学习资料,有需要的朋友可以关注并私信“01”免费获取