python实战-HTML形式爬虫-批量爬取电影下载链接

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。

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。

  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。

  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”

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。

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url
                    url = "https://www.xxxxx.com" + urlPath
                    res2 = 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)
                    continue
        print("total: ", len(href_name))

四、总结

  技术是一把双刃剑，就看持剑的人是怎么想的，爬虫有风险，操作需谨慎，爬虫被判刑的例子比比皆是，需谨慎。关注我，微信搜索艺说IT公众号，后续有这两种形式的python实战爬虫还有反防爬虫（反反爬虫）等技术干货，并附带源码，对你有帮助请点个赞，感谢各位帅哥美女。