python爬取電影天堂的下載連結
阿新 • • 發佈:2019-02-03
電影天堂下載連結都是magnet的,搞下來想下就下沒有廣告
# coding=utf-8
import urllib.request
#import requests
import re
import random
import json
#爬取電影天堂電影下載連結
def get_film(url):
#設定模擬瀏覽器擡頭
ua_list = [
"Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",
"Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... " ,
"Mozilla/5.0 (Macintosh; Intel Mac OS... "
]
user_agent = random.choice(ua_list)
#構建請求
myRequest = urllib.request.Request(url)
#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
myRequest.add_header("Connection", "keep-alive")
#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
myRequest.add_header("User-Agent", user_agent)
#第一個字母大寫,後面的全部小寫
myRequest.get_header("User-agent")
#請求響應
response = urllib.request.urlopen(myRequest)
#讀取並轉碼為GBK的字串
try:
encodeHtml = response.read()
#使用"ignore"忽略錯誤
html = encodeHtml.decode("GB18030", "ignore")
detail_list=re.findall('<a href="(.*?)" class="ulink',html)
for m in detail_list:
b_url = 'http://www.dytt8.net/%s'%m
#html_2=requests.get(b_url)
#構建請求
request2 = urllib.request.Request(b_url)
#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
request2.add_header("Connection", "keep-alive")
#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
request2.add_header("User-Agent", user_agent)
#第一個字母大寫,後面的全部小寫
request2.get_header("User-agent")
#請求響應
response2 = urllib.request.urlopen(request2)
#html_2 = response2.read().decode("GBK") 這個可能報錯 用下面的
html_2 = response2.read().decode("GB18030","ignore")
#print(html_2)
#新建一個字典
movieInfo = {'name':'','ftp':'','magnet':'','info':'','originalName':'','grade':''}
ftp = re.findall('<a href="(.*?)">ftp.*?</a></td>',html_2)
if ftp != []:
#print (ftp[0])
movieInfo['ftp']=ftp[0]
name = re.findall('com.*?.m',ftp[0])
if name != []:
#print ('電影名稱:'+name[0].split('.')[1])
movieInfo['name']=name[0].split('.')[1]
magnet = re.findall('<a href="magnet:(.*?)"><strong><font style="BACKGROUND-COLOR: #ff9966"><font color="#0000ff"><font size="4">磁力鏈下載點選這裡</font></font></font></strong></a>',html_2)
if magnet != []:
#print (magnet[0])
movieInfo['magnet']='magnet:'+magnet[0]
Info = re.findall(' /> <br /><br />.*?<br /><br /><img',html_2)
if Info != []:
tmpInfo = Info[0].split('/>',1)[1].split('<img',1)[0]
#print (tmpInfo)
movieInfo['info']= tmpInfo
#原始片名
originalNameList = re.findall('◎片 名.*?<br />',tmpInfo)
if originalNameList !=[]:
movieInfo['originalName'] = originalNameList[0].split('◎片 名',1)[1].split('<br />',1)[0]
#IMDb評分 滿分10分 這裡擷取我寫的差 還是大家自己去匹配把
gradeList = re.findall('◎IMDb評分.*?<br />',tmpInfo)
if gradeList !=[]:
#print (gradeList[0].split('/',1)[0])
if len(gradeList[0].split('/',1)[0].split(' ',1))>1:
#print (gradeList[0].split('/',1)[0].split(' ',1)[1])
movieInfo['grade'] = gradeList[0].split('/',1)[0].split(' ',1)[1]
if len(gradeList[0].split('/',1)[0].split(' ',1))>1:
#print (gradeList[0].split('/',1)[0].split(' ',1)[1])
movieInfo['grade'] = gradeList[0].split('/',1)[0].split(' ',1)[1]
for key in movieInfo:
print (key, ' value : ', movieInfo[key])
'''
#將資料儲存到本地
#jsonStr = json.dumps(movieInfo)
#print (jsonStr)
with open('d:\movieList.txt','a',encoding='utf-8') as f:
#寫文字write到本地
f.write(jsonStr+',')
'''
#傳送到java伺服器
postDaa = urllib.parse.urlencode(movieInfo).encode('utf-8')
header_dict = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Trident/7.0; rv:11.0) like Gecko'}
#我的地址就不貼了
url3='https://www.xxx.xxxPython.json'
req3 = urllib.request.Request(url=url3,data=postDaa,headers=header_dict,method = 'POST')
res3 = urllib.request.urlopen(req3)
res3 = res3.read()
print(res3)
#print(res3.decode(encoding='utf-8'))
except Exception as e:
print('發生了異常:',e)
'''
這裡是單執行緒的
for n in range(1,110):
#goUrl = 'http://www.dytt8.net/html/gndy/dyzz/list_23_'+str(n)+'.html'
goUrl = 'http://www.dytt8.net/html/gndy/china/list_4_'+str(n)+'.html'
print(goUrl)
get_film(goUrl)
'''
一個一個挨著去爬肯定慢啊,建一個多執行緒的去爬 mui.py
這個是參照了 AutomationTesting的部落格內容,很多欄位我也沒改。
# -*-coding:utf-8-*-
import threading;
import main;
mutex_lock = threading.RLock(); # 互斥鎖的宣告
ticket = 180; # 總頁碼
start = 1; # 起始頁碼
# 用於統計各個執行緒的得票數
ticket_stastics=[];
class myThread(threading.Thread): # 執行緒處理函式
def __init__(self, name):
threading.Thread.__init__(self); # 執行緒類必須的初始化
self.thread_name = name; # 將傳遞過來的name構造到類中的name
def run(self):
# 宣告在類中使用全域性變數
global mutex_lock;
global ticket;
global start;
while 1:
if ticket > start:
start += 1;
goUrl = 'http://www.dytt8.net/html/gndy/dyzz/list_23_'+str(start)+'.html'
print (goUrl)
#呼叫你寫的那個類
main.get_film(goUrl)
ticket_stastics[self.thread_name]+=1;
else:
break;
mutex_lock.release(); # python線上程死亡的時候,不會清理已存在線上程函式的互斥鎖,必須程式猿自己主動清理
print ("%s被銷燬了!" % (self.thread_name));
# 初始化執行緒
threads = [];#存放執行緒的陣列,相當於執行緒池
for i in range(0,50):#執行緒數量,電腦好可以多設點2333
thread = myThread(i);#指定執行緒i的執行函式為myThread
threads.append(thread);#先講這個執行緒放到執行緒threads
ticket_stastics.append(0);# 初始化執行緒的得票數統計陣列
for t in threads:#讓執行緒池中的所有陣列開始
t.start();
for t in threads:
t.join();#等待所有執行緒執行完畢才執行一下的程式碼
print ("錄入完畢!");
print ("=========統計=========");
for i in range(0,len(ticket_stastics)):
print ("執行緒%d:%d頁" % (i,ticket_stastics[i]));
這兩個執行一下就可以爬了;平常替換下goUrl就可以了~
多執行緒有可能會發生WinError 10060報錯,使用time.sleep(1)避免
發生了異常: <urlopen error [WinError 10060] 由於連線方在一段時間後沒有正確答覆或連線的主機沒有反應,連線嘗試失敗。>
這是由於連線數太多被對方防火牆ban了… 發生這類錯誤就暫停一下再繼續應該就好了,估計是防DDoS攻擊?