浙江11选5任3遗漏:教你如何用Python 爬蟲爬取視頻網站

浙江11选5任3遗漏 www.ehxis.com 今天和大家分享一下如何用浙江11选5任3遗漏爬取視頻網站!相信好多朋友都像我一樣喜歡看美劇,不說是美劇有多么好看,是因為國產的電視劇實在是看不下去,對比之下你就知道美劇在制作上是多么用心了,所以經常找各種資源來下載想看的美劇,正常就是找到網站點擊下載嘍,這是一般人的思路,但小編怎能這樣操作,今天小編就心血來潮來寫了個python爬蟲,爬取目標網站上所有美劇鏈接,并保存在文本文檔中,想要哪部劇就直接打開復制鏈接到迅雷就可以下載。

其實一開始打算寫那種發現一個url,使用requests打開抓取下載鏈接,從主頁開始爬完全站。但是,好多重復鏈接,還有其網站的url不是我想的那么規則,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。

后來發現,其電視劇鏈接都是在文章里面,然后文章url后面有個數字編號,就像這樣的 //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,其后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,然后用range函數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,其他的都進去爬取鏈接,這就解決了url的問題了。

以下就是上述步驟的實現代碼。

def get_urls(self):

try:

for i in range(2015,25000):

base_url=’//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

其余的就進行的很順利了,網上找到前人寫的類似的爬蟲,但是只是爬取一篇文章的,所以借鑒了一下其正則表達式。自己用了BeautifulSoup還沒有正則效果好,所以果斷棄了,學海無涯苦做舟啊。但是效果也不是那么理想,有一半左右的鏈接不能正確抓取,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\|[^”]+?\.(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] + ‘\n’)

print “Get links … “, name[0], count

except Exception,e:

pass

def get_urls(self):

try:

for i in range(2015,25000):

base_url=’//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

完整版代碼,其中還用到了多線程,但是感覺沒什么用,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,但是折騰了一番之后感覺沒必要,所以就這樣吧,后面需要更大數據的時候再去弄。今天的Python爬蟲教程還是比較實用的,感興趣的朋友多多嘗試啊。

好啦,今天的分享到這里就結束了,希望大家能夠持續關注浙江11选5任3遗漏官網,每天都會有大量優質內容與大家分享歐!免責聲明:內容和圖片源自網絡,版權歸原作者所有,如有侵犯您的原創版權請告知,我們將盡快刪除相關內容。

相關新聞

聯系我們

400-080-6560

在線咨詢:點擊這里給我發消息

郵件:[email protected]

工作時間:周一至周日,09:00-18:30

QR code