使用Python多線(xiàn)程爬蟲(chóng)爬取電影天堂資源

更新時(shí)間：2016年09月23日 16:25:13 作者：O賣(mài)女孩的小火柴O

這篇文章主要介紹了使用Python多線(xiàn)程爬蟲(chóng)爬取電影天堂資源的相關(guān)資料,需要的朋友可以參考下

最近花些時(shí)間學(xué)習(xí)了一下Python，并寫(xiě)了一個(gè)多線(xiàn)程的爬蟲(chóng)程序來(lái)獲取電影天堂上資源的迅雷下載地址，代碼已經(jīng)上傳到GitHub上了，需要的同學(xué)可以自行下載。剛開(kāi)始學(xué)習(xí)python希望可以獲得寶貴的意見(jiàn)。

　　先來(lái)簡(jiǎn)單介紹一下，網(wǎng)絡(luò)爬蟲(chóng)的基本實(shí)現(xiàn)原理吧。一個(gè)爬蟲(chóng)首先要給它一個(gè)起點(diǎn)，所以需要精心選取一些URL作為起點(diǎn)，然后我們的爬蟲(chóng)從這些起點(diǎn)出發(fā)，抓取并解析所抓取到的頁(yè)面，將所需要的信息提取出來(lái)，同時(shí)獲得的新的URL插入到隊(duì)列中作為下一次爬取的起點(diǎn)。這樣不斷地循環(huán)，一直到獲得你想得到的所有的信息爬蟲(chóng)的任務(wù)就算結(jié)束了。我們通過(guò)一張圖片來(lái)看一下。

　　好的下面進(jìn)入正題，來(lái)講解下程序的實(shí)現(xiàn)。

　　首先要分析一下電影天堂網(wǎng)站的首頁(yè)結(jié)構(gòu)。

　　從上面的菜單欄中我們可以看到整個(gè)網(wǎng)站資源的總體分類(lèi)情況。剛剛好我們可以利用到它的這個(gè)分類(lèi)，將每一個(gè)分類(lèi)地址作為爬蟲(chóng)的起點(diǎn)。

　　①解析首頁(yè)地址提取分類(lèi)信息

#解析首頁(yè)
def CrawIndexPage(starturl):
print "正在爬取首頁(yè)"
page = __getpage(starturl)
if page=="error":
return
page = page.decode('gbk', 'ignore')
tree = etree.HTML(page)
Nodes = tree.xpath("http://div[@id='menu']//a")
print "首頁(yè)解析出地址",len(Nodes),"條"
for node in Nodes:
CrawledURLs = []
CrawledURLs.append(starturl)
url=node.xpath("@href")[0]
if re.match(r'/html/[A-Za-z0-9_/]+/index.html', url):
if __isexit(host + url,CrawledURLs):
pass
else:
try:
catalog = node.xpath("text()")[0].encode("utf-8")
newdir = "E:/電影資源/" + catalog
os.makedirs(newdir.decode("utf-8"))
print "創(chuàng)建分類(lèi)目錄成功------"+newdir
thread = myThread(host + url, newdir,CrawledURLs)
thread.start()
except:
pass

在這個(gè)函數(shù)中，首先將網(wǎng)頁(yè)的源碼下載下來(lái)，通過(guò)XPath解析出其中的菜單分類(lèi)信息。并創(chuàng)建相應(yīng)的文件目錄。有一個(gè)需要注意的地方就是編碼問(wèn)題，但是也是被這個(gè)編碼糾纏了好久，通過(guò)查看網(wǎng)頁(yè)的源代碼，我們可以發(fā)現(xiàn)，網(wǎng)頁(yè)的編碼采用的是GB2312，這里通過(guò)XPath構(gòu)造Tree對(duì)象是需要對(duì)文本信息進(jìn)行解碼操作，將gb2312變成Unicode編碼，這樣DOM樹(shù)結(jié)構(gòu)才是正確的，要不然在后面解析的時(shí)候就會(huì)出現(xiàn)問(wèn)題。

　　②解析每個(gè)分類(lèi)的主頁(yè)

# 解析分類(lèi)文件
def CrawListPage(indexurl,filedir,CrawledURLs):
print "正在解析分類(lèi)主頁(yè)資源"
print indexurl
page = __getpage(indexurl)
if page=="error":
return
CrawledURLs.append(indexurl)
page = page.decode('gbk', 'ignore')
tree = etree.HTML(page)
Nodes = tree.xpath("http://div[@class='co_content8']//a")
for node in Nodes:
url=node.xpath("@href")[0]
if re.match(r'/', url):
# 非分頁(yè)地址 可以從中解析出視頻資源地址
if __isexit(host + url,CrawledURLs):
pass
else:
#文件命名是不能出現(xiàn)以下特殊符號(hào)
filename=node.xpath("text()")[0].encode("utf-8").replace("/"," ")\
.replace("\\"," ")\
.replace(":"," ")\
.replace("*"," ")\
.replace("?"," ")\
.replace("\""," ")\
.replace("<", " ") \
.replace(">", " ")\
.replace("|", " ")
CrawlSourcePage(host + url,filedir,filename,CrawledURLs)
pass
else:
# 分頁(yè)地址 從中嵌套再次解析
print "分頁(yè)地址 從中嵌套再次解析",url
index = indexurl.rfind("/")
baseurl = indexurl[0:index + 1]
pageurl = baseurl + url
if __isexit(pageurl,CrawledURLs):
pass
else:
print "分頁(yè)地址 從中嵌套再次解析", pageurl
CrawListPage(pageurl,filedir,CrawledURLs)
pass
pass

打開(kāi)每一個(gè)分類(lèi)的首頁(yè)會(huì)發(fā)現(xiàn)都有一個(gè)相同的結(jié)構(gòu)（點(diǎn)擊打開(kāi)示例）首先解析出包含資源URL的節(jié)點(diǎn)，然后將名稱(chēng)和URL提取出來(lái)。這一部分有兩個(gè)需要注意的地方。一是因?yàn)樽罱K想要把資源保存到一個(gè)txt文件中，但是在命名時(shí)不能出現(xiàn)一些特殊符號(hào)，所以需要處理掉。二是一定要對(duì)分頁(yè)進(jìn)行處理，網(wǎng)站中的數(shù)據(jù)都是通過(guò)分頁(yè)這種形式展示的，所以如何識(shí)別并抓取分頁(yè)也是很重要的。通過(guò)觀察發(fā)現(xiàn)，分頁(yè)的地址前面沒(méi)有“/”,所以只需要通過(guò)正則表達(dá)式找出分頁(yè)地址鏈接，然后嵌套調(diào)用即可解決分頁(yè)問(wèn)題。

③解析資源地址保存到文件中

#處理資源頁(yè)面 爬取資源地址
def CrawlSourcePage(url,filedir,filename,CrawledURLs):
print url
page = __getpage(url)
if page=="error":
return
CrawledURLs.append(url)
page = page.decode('gbk', 'ignore')
tree = etree.HTML(page)
Nodes = tree.xpath("http://div[@align='left']//table//a")
try:
source = filedir + "/" + filename + ".txt"
f = open(source.decode("utf-8"), 'w')
for node in Nodes:
sourceurl = node.xpath("text()")[0]
f.write(sourceurl.encode("utf-8")+"\n")
f.close()
except:
print "!!!!!!!!!!!!!!!!!"

這段就比較簡(jiǎn)單了，將提取出來(lái)的內(nèi)容寫(xiě)到一個(gè)文件中就行了

　　為了能夠提高程序的運(yùn)行效率，使用了多線(xiàn)程進(jìn)行抓取，在這里我是為每一個(gè)分類(lèi)的主頁(yè)都開(kāi)辟了一個(gè)線(xiàn)程，這樣極大地加快了爬蟲(chóng)的效率。想當(dāng)初，只是用單線(xiàn)程去跑，結(jié)果等了一下午最后因?yàn)橐粋€(gè)異常沒(méi)處理到結(jié)果一下午都白跑了?。。?！心累

class myThread (threading.Thread): #繼承父類(lèi)threading.Thread
def __init__(self, url, newdir,CrawledURLs):
threading.Thread.__init__(self)
self.url = url
self.newdir = newdir
self.CrawledURLs=CrawledURLs
def run(self): #把要執(zhí)行的代碼寫(xiě)到run函數(shù)里面 線(xiàn)程在創(chuàng)建后會(huì)直接運(yùn)行run函數(shù)
CrawListPage(self.url, self.newdir,self.CrawledURLs)

以上只是部分代碼，全部代碼可以到GitHub上面去下載（點(diǎn)我跳轉(zhuǎn)）

最后爬取的結(jié)果如下。