今天和大家分享一下如何用Python爬蟲爬取視頻網(wǎng)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(chǎn)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(jīng)常找各種資源來下載想看的美劇，正常就是找到網(wǎng)站點(diǎn)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(biāo)網(wǎng)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(fù)制鏈接到迅雷就可以下載。

其實一開始打算寫那種發(fā)現(xiàn)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(fù)鏈接，還有其網(wǎng)站的url不是我想的那么規(guī)則，寫了半天也沒有寫出我想要的那種發(fā)散式的爬蟲，也許是自己火候還不到吧，繼續(xù)努力。

后來發(fā)現(xiàn)，其電視劇鏈接都是在文章里面，然后文章url后面有個數(shù)字編號，就像這樣的 http://cn163.net/archives/24016/，所以機(jī)智的我又用了之前寫過的爬蟲經(jīng)驗，解決方法就是自動生成url，其后面的數(shù)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(shù)直接連續(xù)生成數(shù)來構(gòu)造url。

但是很多url是不存在的，所以會直接掛掉，別擔(dān)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(tài)的，所以只要是返回的狀態(tài)碼是404的我們都把它跳過，其他的都進(jìn)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(xiàn)代碼。

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

其余的就進(jìn)行的很順利了，網(wǎng)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(dá)式。自己用了BeautifulSoup還沒有正則效果好，所以果斷棄了，學(xué)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(xù)優(yōu)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(shù)+集數(shù)排序順序?qū)懭?/p>

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(shù)據(jù)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(jié)束了，希望大家能夠持續(xù)關(guān)注馬哥教育官網(wǎng)，每天都會有大量優(yōu)質(zhì)內(nèi)容與大家分享歐！

聲明：文章來源于網(wǎng)絡(luò)，侵刪！