话说以前玩Python的时候爬过挺多网站的，都是在公司干的(Python不属于公司的业务范围，纯属自己折腾着好玩)，
我那个负责运维的同事天天跑过来说：你又在爬啥啊，你去看看新闻，某某爬东西又被抓了！出了事你自己负责啊！哎呀我的娘亲，吓的都没继续玩下去了。这个博客是爬取某天堂的资源(具体是哪个天堂下面的代码里会有的)，会不会被抓啊？单纯的作为技术讨论，个人练手，不做商业用途应该没事吧？写到这里小手不禁微微颤抖...
得嘞，死就死吧，我不入地狱谁入地狱，先看最终实现效果:
如上，这个下载工具是有界面的(牛皮吧)，只要输入一个根地址和电影评分，就可以自动爬电影了，要完成这个工具需要具备以下知识点：
- PyCharm的安装和使用 这个不多说，猿们都懂，不属于猿类的我也没办法科普了，就是个IDE
- tkinter 这是个Python GUI开发的库，图中这个简陋的可怜的界面就是基于TK开发的，不想要界面也可以去掉，丝毫不影响爬电影，加上用户界面可以显得屌一点，当然最主要的是我想学习一点新知识
- 静态网页的分析技巧 相对于动态网站的爬取，静态网站的爬取就显得小菜了，F12会按吧，右键查看网页源代码会吧，通过这些简单的操作就可以查看网页的排版布局规则，然后根据这些规则写爬虫，soeasy
- 数据持久化 已经下载过的电影，下次再爬电影的时候不希望再下载一次吧，那就把下载过的链接存储起来，下载电影之前去比对是否下载过，以过滤重复下载
- 迅雷X的下载安装 这个就更不用多说了，作为当代社会主义有为青年，谁没用过迅雷？谁的硬盘里没有几部动作类型的片子？
差不多就这些了，至于实现的技术细节的话，也不多，requests+BeautifulSoup的使用，re正则，Python数据类型，Python线程，dbm、pickle等数据持久化库的使用，等等，这个工具也就这么些知识范畴了。当然，Python是面向对象的，编程思想是所有语言通用的，这个不是一朝一夕的事，也没办法通过语言描述清楚。各位对号入座，以上哪个知识面不足的自己去翻资料学习，我可是直接贴代码的。
python讨论群：887934385 分享视频教程
import url_manager import html_parser import html_download import persist_util from tkinter import * from threading import Thread import os class SpiderMain(object): def __init__(self): self.mUrlManager = url_manager.UrlManager() self.mHtmlParser = html_parser.HtmlParser() self.mHtmlDownload = html_download.HtmlDownload() self.mPersist = persist_util.PersistUtil() # 加载历史下载链接 def load_history(self): history_download_links = self.mPersist.load_history_links() if history_download_links is not None and len(history_download_links) > 0: for download_link in history_download_links: self.mUrlManager.add_download_url(download_link) d_log("加载历史下载链接: " + download_link) # 保存历史下载链接 def save_history(self): history_download_links = self.mUrlManager.get_download_url() if history_download_links is not None and len(history_download_links) > 0: self.mPersist.save_history_links(history_download_links) def craw_movie_links(self, root_url, score=8): count = 0; self.mUrlManager.add_url(root_url) while self.mUrlManager.has_continue(): try: count = count + 1 url = self.mUrlManager.get_url() d_log("craw %d : %s" % (count, url)) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36', 'Referer': url } content = self.mHtmlDownload.down_html(url, retry_count=3, headers=headers) if content is not None: doc = content.decode('gb2312', 'ignore') movie_urls, next_link = self.mHtmlParser.parser_movie_link(doc) if movie_urls is not None and len(movie_urls) > 0: for movie_url in movie_urls: d_log('movie info url: ' + movie_url) content = self.mHtmlDownload.down_html(movie_url, retry_count=3, headers=headers) if content is not None: doc = content.decode('gb2312', 'ignore') movie_name, movie_score, movie_xunlei_links = self.mHtmlParser.parser_movie_info(doc, score=score) if movie_xunlei_links is not None and len(movie_xunlei_links) > 0: for xunlei_link in movie_xunlei_links: # 判断该电影是否已经下载过了 is_download = self.mUrlManager.has_download(xunlei_link) if is_download == False: # 没下载过的电影添加到迅雷下载列表 d_log('开始下载 ' + movie_name + ', 链接地址: ' + xunlei_link) self.mUrlManager.add_download_url(xunlei_link) os.system(r'"D:迅雷ThunderProgramThunder.exe" {url}'.format(url=xunlei_link)) # 每下载一部电影都实时更新数据库，这样可以保证即使程序异常退出也不会重复下载该电影 self.save_history() if next_link is not None: d_log('next link: ' + next_link) self.mUrlManager.add_url(next_link) except Exception as e: d_log('错误信息: ' + str(e)) def runner(rootLink=None, scoreLimit=None): if rootLink is None: return spider = SpiderMain() spider.load_history() if scoreLimit is None: spider.craw_movie_links(rootLink) else: spider.craw_movie_links(rootLink, score=float(scoreLimit)) spider.save_history() # rootLink = 'https://www.dytt8.net/html/gndy/dyzz/index.html' # rootLink = 'https://www.dytt8.net/html/gndy/dyzz/list_23_207.html' def start(rootLink, scoreLimit): loop_thread = Thread(target=runner, args=(rootLink, scoreLimit,), name='LOOP THREAD') #loop_thread.setDaemon(True) loop_thread.start() #loop_thread.join() # 不能让主线程等待，否则GUI界面将卡死 btn_start.configure(state='disable') # 刷新GUI界面，文字滚动效果 def d_log(log): s = log + ' ' txt.insert(END, s) txt.see(END) if __name__ == "__main__": rootGUI = Tk() rootGUI.title('XX电影自动下载工具') # 设置窗体背景颜色 black_background = '#000000' rootGUI.configure(background=black_background) # 获取屏幕宽度和高度 screen_w, screen_h = rootGUI.maxsize() # 居中显示窗体 window_x = (screen_w - 640) / 2 window_y = (screen_h - 480) / 2 window_xy = '640x480+%d+%d' % (window_x, window_y) rootGUI.geometry(window_xy) lable_link = Label(rootGUI, text='解析根地址: ', bg='black', fg='red', font=('宋体', 12), relief=FLAT) lable_link.place(x=20, y=20) lable_link_width = lable_link.winfo_reqwidth() lable_link_height = lable_link.winfo_reqheight() input_link = Entry(rootGUI) input_link.place(x=20+lable_link_width, y=20, relwidth=0.5) lable_score = Label(rootGUI, text='电影评分限制: ', bg='black', fg='red', font=('宋体', 12), relief=FLAT) lable_score.place(x=20, y=20+lable_link_height+10) input_score = Entry(rootGUI) input_score.place(x=20+lable_link_width, y=20+lable_link_height+10, relwidth=0.3) btn_start = Button(rootGUI, text='开始下载', command=lambda: start(input_link.get(), input_score.get())) btn_start.place(relx=0.4, rely=0.2, relwidth=0.1, relheight=0.1) txt = Text(rootGUI) txt.place(rely=0.4, relwidth=1, relheight=0.5) rootGUI.mainloop()
spider_main.py，主代码入口，主要是tkinter 实现的一个简陋的界面，可以输入根地址，电影最低评分。所谓的根地址就是某天堂网站的一类电影的入口，比如进入首页有如下的分类，最新电影、日韩电影、欧美影片、2019精品专区，等等。这里以2019精品专区为例(https://www.dytt8.net/html/gndy/dyzz/index.html)，当然，用其它的分类地址入口也是可以的。评分就是个过滤电影的条件，要学会对垃圾电影说不，浪费时间浪费表情，你可以指定大于等于8分的电影才下载，也可以指定大于等于9分等，必须输入数字哈，输入些乱七八糟的东西进去程序会崩溃，这个细节我懒得处理。
''' URL链接管理类，负责管理爬取下来的电影链接地址，包括新解析出来的链接地址，和已经下载过的链接地址，保证相同的链接地址只会下载一次 ''' class UrlManager(object): def __init__(self): self.urls = set() self.used_urls = set() self.download_urls = set() def add_url(self, url): if url is None: return if url not in self.urls and url not in self.used_urls: self.urls.add(url) def add_urls(self, urls): if urls is None or len(urls) == 0: return for url in urls: self.add_url(url) def has_continue(self): return len(self.urls) > 0 def get_url(self): url = self.urls.pop() self.used_urls.add(url) return url def get_download_url(self): return self.download_urls def has_download(self, url): return url in self.download_urls def add_download_url(self, url): if url is None: return if url not in self.download_urls: self.download_urls.add(url)
url_manager.py，注释里写的很清楚了，基本上每个py文件的关键地方我都写了比较详细的注释
import requests from requests import Timeout ''' HtmlDownload，通过一个链接地址将该html页面整体down下来，然后通过html_parser.py解析其中有价值的信息 ''' class HtmlDownload(object): def __init__(self): self.request_session = requests.session() self.request_session.proxies def down_html(self, url, retry_count=3, headers=None, proxies=None, data=None): if headers: self.request_session.headers.update(headers) try: if data: content = self.request_session.post(url, data=data, proxies=proxies) print('result code: ' + str(content.status_code) + ', link: ' + url) if content.status_code == 200: return content.content else: content = self.request_session.get(url, proxies=proxies) print('result code: ' + str(content.status_code) + ', link: ' + url) if content.status_code == 200: return content.content except (ConnectionError, Timeout) as e: print('HtmlDownload ConnectionError or Timeout: ' + str(e)) if retry_count > 0: self.down_html(url, retry_count-1, headers, proxies, data) return None except Exception as e: print('HtmlDownload Exception: ' + str(e))
html_download.py，就是用requests将静态网页的内容整体down下来
from bs4 import BeautifulSoup from urllib.parse import urljoin import re import urllib.parse import base64 ''' html页面解析器 ''' class HtmlParser(object): # 解析电影列表页面，获取电影详情页面的链接 def parser_movie_link(self, content): try: urls = set() next_link = None doc = BeautifulSoup(content, 'lxml') div_content = doc.find('div', class_='co_content8') if div_content is not None: tables = div_content.find_all('table') if tables is not None and len(tables) > 0: for table in tables: link = table.find('a', class_='ulink') if link is not None: print('movie name: ' + link.text) movie_link = urljoin('https://www.dytt8.net', link.get('href')) print('movie link ' + movie_link) urls.add(movie_link) next = div_content.find('a', text=re.compile(r".*?下一页.*?")) if next is not None: next_link = urljoin('https://www.dytt8.net/html/gndy/dyzz/', next.get('href')) print('movie next link ' + next_link) return urls, next_link except Exception as e: print('解析电影链接地址发生错误: ' + str(e)) # 解析电影详情页面，获取电影详细信息 def parser_movie_info(self, content, score=8): try: movie_name = None # 电影名称 movie_score = 0 # 电影评分 movie_xunlei_links = set() # 电影的迅雷下载地址，可能存在多个 doc = BeautifulSoup(content, 'lxml') movie_name = doc.find('title').text.replace('迅雷下载_电影天堂', '') #print(movie_name) div_zoom = doc.find('div', id='Zoom') if div_zoom is not None: # 获取电影评分 span_txt = div_zoom.text txt_list = span_txt.split('◎') if txt_list is not None and len(txt_list) > 0: for tl in txt_list: if 'IMDB' in tl or 'IMDb' in tl or 'imdb' in tl or 'IMdb' in tl: txt_score = tl.split('/')[0] print(txt_score) movie_score = re.findall(r"d+.?d*", txt_score) if movie_score is None or len(movie_score) <= 0: movie_score = 1 else: movie_score = movie_score[0] print(movie_name + ' IMDB影片分数: ' + str(movie_score)) if float(movie_score) < score: print('电影评分低于' + str(score) + ', 忽略') return movie_name, movie_score, movie_xunlei_links txt_a = div_zoom.find_all('a', href=re.compile(r".*?ftp:.*?")) if txt_a is not None: # 获取电影迅雷下载地址，base64转成迅雷格式 for alink in txt_a: xunlei_link = alink.get('href') ''' 这里将电影链接转换成迅雷的专用下载链接，后来发现不转换迅雷也能识别 xunlei_link = urllib.parse.quote(xunlei_link) xunlei_link = xunlei_link.replace('%3A', ':') xunlei_link = xunlei_link.replace('%40', '@') xunlei_link = xunlei_link.replace('%5B', '[') xunlei_link = xunlei_link.replace('%5D', ']') xunlei_link = 'AA' + xunlei_link + 'ZZ' xunlei_link = base64.b64encode(xunlei_link.encode('gbk')) xunlei_link = 'thunder://' + str(xunlei_link, encoding='gbk') ''' print(xunlei_link) movie_xunlei_links.add(xunlei_link) return movie_name, movie_score, movie_xunlei_links except Exception as e: print('解析电影详情页面错误: ' + str(e))
html_parser.py，用bs4解析down下来的html页面内容，根据网页规则过去我们需要的东西，这是爬虫最重要的地方，写爬虫的目的就是想要取出对我们有用的东西。
import dbm import pickle import os ''' 数据持久化工具类 ''' class PersistUtil(object): def save_data(self, name='No Name', urls=None): if urls is None or len(urls) <= 0: return try: history_db = dbm.open('downloader_history', 'c') history_db[name] = str(urls) finally: history_db.close() def get_data(self): history_links = set() try: history_db = dbm.open('downloader_history', 'r') for key in history_db.keys(): history_links.add(str(history_db[key], 'gbk')) except Exception as e: print('遍历dbm数据失败: ' + str(e)) return history_links # 使用pickle保存历史下载记录 def save_history_links(self, urls): if urls is None or len(urls) <= 0: return with open('DownloaderHistory', 'wb') as pickle_file: pickle.dump(urls, pickle_file) # 获取保存在pickle中的历史下载记录 def load_history_links(self): if os.path.exists('DownloaderHistory'): with open('DownloaderHistory', 'rb') as pickle_file: return pickle.load(pickle_file) else: return None
persist_util.py，数据持久化工具类。
这样代码部分就完成了，说下迅雷，我安装的是最新版的迅雷X，一定要如下图一样在迅雷设置打开一键下载功能，否则每次新增一个下载任务都会弹出用户确认框的，还有就是调用迅雷下载资源的代码：os.system(r'"D:迅雷ThunderProgramThunder.exe" {url}'.format(url=xunlei_link))，一定要去到迅雷安装目录找到Thunder.exe文件，不能用快捷方式的地址(我的电脑->迅雷->右键属性->目标，迅雷X这里显示的路径是快捷方式的路径，不能用这个)，否则找不到程序。
到这里你应该就可以电影爬起来了，妥妥的。当然，你想要优化也可以，程序有很多可以优化的地方，比如线程那一块，比如数据持久化那里..... 初学者可以通过这个练手，然后自己去分析分析静态网站的规则，把解析html那一块的代码改改就可以爬其它的网站了，比如那些有着危险动作的电影... 不过这类电影还是少看为妙，要多读书，偶尔看了也要擦擦干净，洗洗干净，要讲卫生。