美剧打包下载网站

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。

defget_urls(self):\ntry:\nforiinrange(2015,25000):\nbase_url='http://cn163.net/archives/'\nurl=base_url+str(i)+'/'\nifrequests.get(url).status_code==404:\ncontinue\nelse:\nself.save_links(url)\nexceptException,e:\npass\n

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-*-importrequestsimportre\nimportsys\nimportthreading\nimporttime\nreload(sys)\nsys.setdefaultencoding('utf-8')\nclassArchives(object):\ndefsave_links(self,url):\ntry:\ndata=requests.get(url,timeout=3)\ncontent=data.text\nlink_pat='"(ed2k://\\|file\\|[^"]+?\\.(S\\d+)(E\\d+)[^"]+?1024X\\d{3}[^"]+?)"'\nname_pat=re.compile(r'<h2class="entry_title">(.*?)</h2>',re.S)\nlinks=set(re.findall(link_pat,content))\nname=re.findall(name_pat,content)\nlinks_dict={}\ncount=len(links)\nexceptException,e:\npass\nforiinlinks:\nlinks_dict[int(i[1][1:3])*100+int(i[2][1:3])]=i#把剧集按s和e提取编号\ntry:\nwithopen(name[0].replace('/','')+'.txt','w')asf:\nprintname[0]\nforiinsorted(list(links_dict.keys())):#按季数+集数排序顺序写入\nf.write(links_dict[i][0]+'\\n')\nprint"Getlinks...",name[0],count\nexceptException,e:\npass\ndefget_urls(self):\ntry:\nforiinrange(2015,25000):\nbase_url='http://cn163.net/archives/'\nurl=base_url+str(i)+'/'\nifrequests.get(url).status_code==404:\ncontinue\nelse:\nself.save_links(url)\nexceptException,e:\npass\ndefmain(self):\nthread1=threading.Thread(target=self.get_urls())\nthread1.start()\nthread1.join()\nif__name__=='__main__':\nstart=time.time()\na=Archives()\na.main()\nend=time.time()\nprintend-start\n

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