python爬取电影天堂的下载链接

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(',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('ftp.*?',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('磁力链下载点击这里',html_2)
            if magnet != []:
                #print (magnet[0])
                movieInfo['magnet']='magnet:'+magnet[0]
            Info = re.findall(' /> 

.*?

,html_2)
            if Info != []:
                tmpInfo = Info[0].split('/>',1)[1].split(',1)[0]
                #print (tmpInfo)
                movieInfo['info']= tmpInfo
                #原始片名
                originalNameList = re.findall('◎片　　名.*?
',tmpInfo)
                if originalNameList !=[]:
                    movieInfo['originalName'] = originalNameList[0].split('◎片　　名',1)[1].split('
',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.*?
',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：
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?