我第一次接觸爬蟲(chóng)這東西是在今年的5月份，當(dāng)時(shí)寫(xiě)了一個(gè)博客搜索引擎，所用到的爬蟲(chóng)也挺智能的，起碼比電影來(lái)了這個(gè)站用到的爬蟲(chóng)水平高多了！

回到用Python寫(xiě)爬蟲(chóng)的話題。

Python一直是我主要使用的腳本語(yǔ)言，沒(méi)有之一。Python的語(yǔ)言簡(jiǎn)潔靈活，標(biāo)準(zhǔn)庫(kù)功能強(qiáng)大，平?？梢杂米饔?jì)算器，文本編碼轉(zhuǎn)換，圖片處理，批量下載，批量處理文本等?？傊液芟矚g，也越用越上手，這么好用的一個(gè)工具，一般人我不告訴他。。。

因?yàn)槠鋸?qiáng)大的字符串處理能力，以及urllib2，cookielib，re，threading這些模塊的存在，用Python來(lái)寫(xiě)爬蟲(chóng)就簡(jiǎn)直易于反掌了。簡(jiǎn)單到什么程度呢。我當(dāng)時(shí)跟某同學(xué)說(shuō)，我寫(xiě)電影來(lái)了用到的幾個(gè)爬蟲(chóng)以及數(shù)據(jù)整理的一堆零零散散的腳本代碼行數(shù)總共不超過(guò)1000行，寫(xiě)電影來(lái)了這個(gè)網(wǎng)站也只有150來(lái)行代碼。因?yàn)榕老x(chóng)的代碼在另外一臺(tái)64位的黑蘋(píng)果上，所以就不列出來(lái)，只列一下VPS上網(wǎng)站的代碼，tornadoweb框架寫(xiě)的

[xiaoxia@307232 movie_site]$ wc -l *.py template/*
  156 msite.py
   92 template/base.html
   79 template/category.html
   94 template/id.html
   47 template/index.html
   77 template/search.html

下面直接show一下爬蟲(chóng)的編寫(xiě)流程。以下內(nèi)容僅供交流學(xué)習(xí)使用，沒(méi)有別的意思。

以某灣的最新視頻下載資源為例，其網(wǎng)址是

http://某piratebay.se/browse/200

因?yàn)樵摼W(wǎng)頁(yè)里有大量廣告，只貼一下正文部分內(nèi)容：

對(duì)于一個(gè)python爬蟲(chóng)，下載這個(gè)頁(yè)面的源代碼，一行代碼足以。這里用到urllib2庫(kù)。

>>> import urllib2
>>> html = urllib2.urlopen('http://某piratebay.se/browse/200').read()
>>> print 'size is', len(html)
size is 52977

當(dāng)然，也可以用os模塊里的system函數(shù)調(diào)用wget命令來(lái)下載網(wǎng)頁(yè)內(nèi)容，對(duì)于掌握了wget或者curl工具的同學(xué)是很方便的。

使用Firebug觀察網(wǎng)頁(yè)結(jié)構(gòu)，可以知道正文部分html是一個(gè)table。每一個(gè)資源就是一個(gè)tr標(biāo)簽。

而對(duì)于每一個(gè)資源，需要提取的信息有：

1、視頻分類(lèi)
2、資源名稱(chēng)
3、資源鏈接
4、資源大小
5、上傳時(shí)間

就這么多就夠了，如果有需要，還可以增加。

首先提取一段tr標(biāo)簽里的代碼來(lái)觀察一下。

<tr>
  <td class="vertTh">
   <center>
    <a href="/browse/200" title="此目錄中更多">視頻</a><br />
    (<a href="/browse/205" title="此目錄中更多">電視</a>)
   </center>
  </td>
  <td>
<div class="detName">   <a href="/torrent/7782194/The_Walking_Dead_Season_3_Episodes_1-3_HDTV-x264" class="detLink" title="細(xì)節(jié) The Walking Dead Season 3 Episodes 1-3 HDTV-x264">The Walking Dead Season 3 Episodes 1-3 HDTV-x264</a>
</div>
<a href="magnet:?xt=urn:btih:4f63d58e51c1a4a997c6f099b2b529bdbba72741&dn=The+Walking+Dead+Season+3+Episodes+1-3+HDTV-x264&tr=udp%3A%2F%2Ftracker.openbittorrent.com%3A80&tr=udp%3A%2F%2Ftracker.publicbt.com%3A80&tr=udp%3A%2F%2Ftracker.istole.it%3A6969&tr=udp%3A%2F%2Ftracker.ccc.de%3A80" title="Download this torrent using magnet"><img src="http://static.某piratebay.se/img/icon-magnet.gif" alt="Magnet link" /></a>   <a href="http://torrents.某piratebay.se/7782194/The_Walking_Dead_Season_3_Episodes_1-3_HDTV-x264.7782194.TPB.torrent" title="下載種子"><img src="http://static.某piratebay.se/img/dl.gif" class="dl" alt="下載" /></a><img src="http://static.某piratebay.se/img/11x11p.png" /><img src="http://static.某piratebay.se/img/11x11p.png" />
   <font class="detDesc">已上傳 <b>3&nbsp;分鐘前</b>, 大小 2&nbsp;GiB, 上傳者 <a class="detDesc" href="/user/paridha/" title="瀏覽 paridha">paridha</a></font>
  </td>
  <td align="right">0</td>
  <td align="right">0</td>
 </tr>

下面用正則表達(dá)式來(lái)提取html代碼中的內(nèi)容。對(duì)正則表達(dá)式不了解的同學(xué)，可以去 http://docs.python.org/2/library/re.html 了解一下。

為何要用正則表達(dá)式而不用其他一些解析HTML或者DOM樹(shù)的工具是有原因的。我之前試過(guò)用BeautifulSoup3來(lái)提取內(nèi)容，后來(lái)發(fā)覺(jué)速度實(shí)在是慢死了啊，一秒鐘能夠處理100個(gè)內(nèi)容，已經(jīng)是我電腦的極限了。。。而換了正則表達(dá)式，編譯后處理內(nèi)容，速度上直接把它秒殺了！

提取這么多內(nèi)容，我的正則表達(dá)式要如何寫(xiě)呢？

根據(jù)我以往的經(jīng)驗(yàn)，“.*?”或者“.+?”這個(gè)東西是很好使的。不過(guò)也要注意一些小問(wèn)題，實(shí)際用到的時(shí)候就會(huì)知道

對(duì)于上面的tr標(biāo)簽代碼，我首先需要讓我的表達(dá)式匹配到的符號(hào)是

<tr>

表示內(nèi)容的開(kāi)始，當(dāng)然也可以是別的，只要不要錯(cuò)過(guò)需要的內(nèi)容即可。然后我要匹配的內(nèi)容是下面這個(gè)，獲取視頻分類(lèi)。

(<a href="/browse/205" title="此目錄中更多">電視</a>)

接著我要匹配資源鏈接了，

<a href="..." class="detLink" title="...">...</a>

再到其他資源信息，

font class="detDesc">已上傳 <b>3&nbsp;分鐘前</b>, 大小 2&nbsp;GiB, 上傳者

最后匹配

</tr>

大功告成！

當(dāng)然，最后的匹配可以不需要在正則表達(dá)式里表示出來(lái)，只要開(kāi)始位置定位正確了，后面獲取信息的位置也就正確了。

對(duì)正則表達(dá)式比較了解的朋友，可能知道怎么寫(xiě)了。我Show一下我寫(xiě)的表達(dá)式處理過(guò)程，

就這么簡(jiǎn)單，結(jié)果出來(lái)了，自我感覺(jué)挺歡喜的。

當(dāng)然，這樣設(shè)計(jì)的爬蟲(chóng)是有針對(duì)性的，定向爬取某一個(gè)站點(diǎn)的內(nèi)容。也沒(méi)有任何一個(gè)爬蟲(chóng)不會(huì)對(duì)收集到的鏈接進(jìn)行篩選。通?？梢允褂肂FS（寬度優(yōu)先搜索算法）來(lái)爬取一個(gè)網(wǎng)站的所有頁(yè)面鏈接。

完整的Python爬蟲(chóng)代碼，爬取某灣最新的10頁(yè)視頻資源：

# coding: utf8
import urllib2
import re
import pymongo
db = pymongo.Connection().test
url = 'http://某piratebay.se/browse/200/%d/3'
find_re = re.compile(r'<tr>.+?\(.+?">(.+?)</a>.+?class="detLink".+?">(.+?)</a>.+?<a href="(magnet:.+?)" .+?已上傳 <b>(.+?)</b>, 大小 (.+?),', re.DOTALL)
# 定向爬去10頁(yè)最新的視頻資源
for i in range(0, 10):
    u = url % (i)
    # 下載數(shù)據(jù)
    html = urllib2.urlopen(u).read()
    # 找到資源信息
    for x in find_re.findall(html):
        values = dict(
            category = x[0],
            name = x[1],
            magnet = x[2],
            time = x[3],
            size = x[4]
        )
        # 保存到數(shù)據(jù)庫(kù)
        db.priate.save(values)
print 'Done!'

以上代碼僅供思路展示，實(shí)際運(yùn)行使用到mongodb數(shù)據(jù)庫(kù)，同時(shí)可能因?yàn)闊o(wú)法訪問(wèn)某灣網(wǎng)站而無(wú)法得到正常結(jié)果。

所以說(shuō)，電影來(lái)了網(wǎng)站用到的爬蟲(chóng)不難寫(xiě)，難的是獲得數(shù)據(jù)后如何整理獲取有用信息。例如，如何匹配一個(gè)影片信息跟一個(gè)資源，如何在影片信息庫(kù)和視頻鏈接之間建立關(guān)聯(lián)，這些都需要不斷嘗試各種方法，最后選出比較靠譜的。

曾有某同學(xué)發(fā)郵件想花錢(qián)也要得到我的爬蟲(chóng)的源代碼。
要是我真的給了，我的爬蟲(chóng)就幾百來(lái)行代碼，一張A4紙，他不會(huì)說(shuō)，坑爹啊?。。　?/p>

都說(shuō)現(xiàn)在是信息爆炸的時(shí)代，所以比的還是誰(shuí)的數(shù)據(jù)挖掘能力強(qiáng)

好吧，那么問(wèn)題來(lái)了學(xué)習(xí)挖掘機(jī)（數(shù)據(jù)）技術(shù)到底哪家強(qiáng)？

最新評(píng)論