Python爬虫爬取美剧网站

一直有爱看美剧的习惯，一方面锻炼一下英语听力，一方面打发一下时间。以前是能在视频网站上面在线看的，但是自从广电总局的限制令以后，进口的美剧英剧等貌似就不在像之前同样同步更新了。可是，做为一个宅diao的我又怎甘心没剧追呢，因此网上随便查了一下就找到一个能用迅雷下载的美剧下载网站【每天美剧】，各类资源随便下载，最近迷上的BBC的高清纪录片，大天然美得不要不要的。

虽然说找到了资源网站能够下载了，可是每次都要打开浏览器，输入网址，找到该美剧，而后点击连接才能下载。时间长了就以为过程好繁琐，并且有时候网站连接还会打不开，会有点麻烦。正好一直在学习Python爬虫，因此今天就心血来潮来写了个爬虫，抓取该网站上全部美剧连接，并保存在文本文档中，想要哪部剧就直接打开复制连接到迅雷就能够下载啦。

其实一开始打算写那种发现一个url，使用requests打开抓取下载连接，从主页开始爬彻底站。可是，好多重复连接，还有其网站的url不是我想的那么规则，写了半天也没有写出我想要的那种发散式的爬虫，也许是本身火候还不到吧，继续努力。。。

后来发现，其电视剧连接都是在文章里面，而后文章url后面有个数字编号，就像这样的http://cn163.net/archives/24016/，因此机智的我又用了以前写过的爬虫经验，解决方法就是自动生成url，其后面的数字不是能够变的吗，并且每部剧的都是惟一的，因此尝试了一下大概有多少篇文章，而后用range函数直接连续生成数来构造url。

可是不少url是不存在的，因此会直接挂掉，别担忧，咱们用的但是requests，其自带的status_code就是用来判断请求返回的状态的，因此只要是返回的状态码是404的咱们都把它跳过，其余的都进去爬取连接，这就解决了url的问题了。

如下就是上述步骤的实现代码。

其他的就进行的很顺利了，网上找到前人写的相似的爬虫，可是只是爬取一篇文章的，因此借鉴了一下其正则表达式。本身用了BeautifulSoup尚未正则效果好，因此果断弃了，学海无涯啊。可是效果也不是那么理想，有一半左右的连接不能正确抓取，还需继续优化。

完整版代码，其中还用到了多线程，可是感受没什么用，由于Python的GIL的缘故吧，看似有两万多部剧，本觉得要很长时间才能抓取完成，可是除去url错误的和没匹配到的，总共抓取时间20分钟不到。搞得我原本还想使用Redis在两台Linux上爬取，可是折腾了一番以后感受不必，因此就这样吧，后面须要更大数据的时候再去弄。

还有过程当中遇到一个很折磨个人问题是文件名的保存，必须在此抱怨一下，txt文本格式的文件名能有空格，可是不能有斜线、反斜线、括号等。就是这个问题，一早上的时间都花在这上面的，一开始我觉得是抓取数据的错误，后面查了半天才发现是爬取的剧名中带有斜杠，这可把我坑苦了。