python实战-HTML形式爬虫-批量爬取电影下载链接

文章目录

- - 一、前言
  - 二、思路
  - - 1、网站返回内容
    - 2、url分页结构
    - 3、子页面访问形式
    - 4、多种下载链接判断
  - 三、具体代码的实现
  - 四、总结

一、前言

喜欢看片的小伙伴，肯定想打造属于自己的私人影院，在线观看的话会有很多限制，所以可以到专门下载电影的网站下载自己想看的电影，如果想要下载大量电影的话，一个一个手点击页面去点击下载链接，实在让人崩溃，那么可以通过技术手段方便我们获取电影链接，看过我前面文章的小伙伴就知道了，我们可以采用python爬虫的形式去批量爬取电影下载链接，然后批量下载，岂不美哉。

对python爬虫还没有了解的小伙伴可以先看看这一片内容（基于python爬虫快速入门），上篇在html形式讲解的代码示例就以及获取了子页的链接，那么接下来将就是继续上手实战，敏感内容我会打码，主要学习的是思路。

https://blog.csdn.net/syl321314362/article/details/127780756

二、思路

首先我们第一步先是分析目标网站的请求结构，页面是怎么返回渲染的，分页形式是怎么样的，子页面是怎么样的形式访问，电影下载链接有没有不同形式的，所以弄大体的结构才有好的思路，把思路用代码的方式实现。

1、网站返回内容

首先我们可以打开浏览器的开发工具页面（快捷键 F12），通过网络请求查看对应的请求去判断，也可以直接python写一个request请求，看看response.text返回的是不是想要的页面html。

在这里插入图片描述

2、url分页结构

电影肯定有很多，所以制作网页的时候要采取分页展现的设计，所以要点击分页栏，查看地址栏url的变化，滚动式加载也是这种思路，观察地址栏url或者网络请求的变化。
在这里插入图片描述

在这里插入图片描述

可以看到地址栏中的url明显的有变化，所以这里一共有212页所以就是list_23_1.html 到 list_23_212.html，我们去页面证实一下，果然没错。
在这里插入图片描述

所以批量爬取就要搞清楚目标的页面结构，那么我们知道有这么多页的时候就要通过for循环去遍历这212页的内容，去匹配获取子页面。

3、子页面访问形式

通过子页面与主页的url拼接即可访问，url = “https://xxxx” + “/html/gndy/dyzz/20221109/63138.html”

在这里插入图片描述

4、多种下载链接判断

每个子页面的的链接展现的形式是不同的，所以我们要多点击几个子页观察有哪些不同的地方，在爬取链接的时候就需要多加注意多加判断。

实例就有两种形式的链接ftp和magnet，所渲染的标签样式与视频后缀名也是有些差别的。

在这里插入图片描述

三、具体代码的实现

运行前先安装lxml库

pip install lxml

import re
import time
import urllib3
import requests
from lxml import etree
from urllib.parse import unquote
# 解决requests请求出现的InsecureRequestWarning错误
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.1'
}for i in range(1, 215):# 分页页面首页indexUrl = "https://www.xxxxx.com/html/gndy/dyzz/list_23_{}.html".format(i)print("="*10 + indexUrl + "="*10)res = requests.get(indexUrl, headers=header, verify=False)if res.status_code == 200:lxml_tree = etree.HTML(res.content)# 获取分页页面中的电影页面路径href_name = lxml_tree.xpath('//div[@class="co_content8"]//table//a//@href')if len(href_name) < 25:lxml_tree = etree.HTML(res.text)href_name = lxml_tree.xpath('//div[@class="co_content8"]//table//a//@href')for urlPath in href_name:if "/html/gndy/dyzz/" in urlPath:try:# 拼接详细电影页面urlurl = "https://www.xxxxx.com" + urlPathres2 = requests.get(url=url, headers=header, verify=False)if res2.status_code == 200:# 防止中文乱码res2.encoding = "GBK"lxml_tree2 = etree.HTML(res2.text)# 获取电影下载链接href_name2 = lxml_tree2.xpath('//div[@id="Zoom"]//a//@href')if href_name2:# 正则匹配获取mkv或mp4格式链接或rmvb格式pattern = re.compile(r'.*.mkv|.*.mp4|.*.rmvb')film = pattern.search(unquote(href_name2[0]))[0]print(film)#下载链接写入文本with open("allFilm.txt", "a", encoding="utf-8") as f:f.write(film + "\n")else:# 记录访问错误的页面with open("fail.txt", "a", encoding="utf-8") as f:f.write(url + "\n")time.sleep(1)except Exception as e:print("errer: ", e)continueprint("total: ", len(href_name))