python爬取电影天堂dytt8的下载链接
电影天堂下载链接都是magnet的，搞下来想下就下没有广告
建一个main.py
# coding=utf-8
import urllib.request
#import requests
import re
import random
import json
#爬取电影天堂电影下载链接
def get_film(url):
#设定模拟浏览器抬头
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)
#构建请求
myRequest = urllib.request.Request(url)
#也可以通过调用Request.add_header() 添加/修改一个特定的header
myRequest.add_header("Connection", "keep-alive")
#也可以通过调用Request.add_header() 添加/修改一个特定的header
myRequest.add_header("User-Agent", user_agent)
#第一个字母大写，后面的全部小写
myRequest.get_header("User-agent")
#请求响应
response = urllib.request.urlopen(myRequest)
#读取并转码为GBK的字符串
try:
encodeHtml = response.read()
#使用"ignore"忽略错误
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)
#构建请求
request2 = urllib.request.Request(b_url)
#也可以通过调用Request.add_header() 添加/修改一个特定的header
request2.add_header("Connection", "keep-alive")
#也可以通过调用Request.add_header() 添加/修改一个特定的header
request2.add_header("User-Agent", user_agent)
#第一个字母大写，后面的全部小写
request2.get_header("User-agent")
#请求响应
response2 = urllib.request.urlopen(request2)
#html_2 = response2.read().decode("GBK") 这个可能报错 用下面的
html_2 = response2.read().decode("GB18030","ignore")
#print(html_2)
#新建一个字典
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 ('电影名称:'+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">磁力链下载点击这里</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评分 满分10分 这里截取我写的差 还是大家自己去匹配把
gradeList = re.findall('◎IMDb评分.*?<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])
'''
#将数据保存到本地
#jsonStr = json.dumps(movieInfo)
#print (jsonStr)
with open('d:\movieList.txt','a',encoding='utf-8') as f:
#写文本write到本地
f.write(jsonStr+',')
'''
#发送到java服务器
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'}
#我的地址就不贴了
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('发生了异常：',e)
'''
这里是单线程的
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)
'''
一个一个挨着去爬肯定慢啊，建一个多线程的去爬
mui.py
这个是参照了 AutomationTesting的博客内容，很多字段我也没改。
# -*-coding:utf-8-*-
import threading;
import main;
mutex_lock = threading.RLock(); # 互斥锁的声明
ticket = 180; # 总页码
start = 1; # 起始页码
# 用于统计各个线程的得票数
ticket_stastics=[];
class myThread(threading.Thread): # 线程处理函数
def __init__(self, name):
threading.Thread.__init__(self); # 线程类必须的初始化
self.thread_name = name; # 将传递过来的name构造到类中的name
def run(self):
# 声明在类中使用全局变量
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)
#调用你写的那个类
main.get_film(goUrl)
ticket_stastics[self.thread_name]+=1;
else:
break;
mutex_lock.release(); # python在线程死亡的时候，不会清理已存在在线程函数的互斥锁，必须程序猿自己主动清理
print ("%s被销毁了！" % (self.thread_name));
# 初始化线程
threads = [];#存放线程的数组，相当于线程池
for i in range(0,50):#线程数量，电脑好可以多设点2333
thread = myThread(i);#指定线程i的执行函数为myThread
threads.append(thread);#先讲这个线程放到线程threads
ticket_stastics.append(0);# 初始化线程的得票数统计数组
for t in threads:#让线程池中的所有数组开始
t.start();
for t in threads:
t.join();#等待所有线程运行完毕才执行一下的代码
print ("录入完毕！");
print ("=========统计=========");
for i in range(0,len(ticket_stastics)):
print ("线程%d：%d页" % (i,ticket_stastics[i]));
这两个运行一下就可以爬了；平常替换下goUrl就可以了~
多线程有可能会发生WinError 10060报错，使用time.sleep(1)避免
发生了异常： <urlopen error [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。>
这是由于连接数太多被对方防火墙ban了… 发生这类错误就暂停一下再继续应该就好了，估计是防DDoS攻击?
版权声明：本文为anlixi原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。