Python爬取电影天堂指定电视剧或者电影

1.分析搜索请求

一位高人曾经说过，想爬取数据，要先分析网站

今天我们爬取电影天堂，有好看的美剧我在上面都能找到，算是很全了。

这个网站的广告出奇的多，用过都知道，点一下搜索就会弹出个窗口，伴随着滑稽的音乐，贪玩蓝月？

通过python，我们可以避免广告，直接拿到我们要的东西

我用的是火狐浏览器，按F12打开开发者工具，选择网络

按照正常的操作顺序，其实python就是在模拟人进行一些网页操作，我们只不过通过python解放自己的双手

在搜索框输入“傲骨贤妻”，当然你输入其他的电视剧名称也可以，查看开发者工具

 聪明的你肯定一下就看出来了，对，就是第一个请求，点开

查看参数，keyword中文意思是关键字，我们可以得知，“傲骨贤妻”被encode成了这种看不懂的东西 ,参数kwtype和searchtype感觉没什么用，具体我也不知道干啥的，我们模拟请求的时候，把它俩加上，防止出问题

好了，我们现在可以打开开发工具开始玩耍了，我用的是IntelliJ IDEA，我安装了python插件，和pycharm不会差太多，挺好用的。因为我平时用Java开发比较多，我就懒得再下载其他开发工具。当然你用记事本

我也不反对。我先建立一个film.py，用来放置电视剧名。这是一个好习惯，有些时候安全性比较高的数据专门放在一个文件里，进行加密，或者github忽略不提交，可以避免不必要的麻烦

# coding=utf-8
filmName = '傲骨贤妻'

 2.用python模拟搜索请求

建立_init_.py

导入所需要的包 urlib2,re,film,注释已经很清楚了，我来解释下%(film.filmName).decode("utf-8").encode('gb2312'),%是取出我存在film.py里面的值，为什么要用decode在encode呢？右键查看页面源代码，你会发现，电影天堂

并不是utf-8编码，而是gb2312，所以我们要encode呀，刚才我们看到keyword是看不懂的火星文，我们现在知道了，它其实是gb2312编码，所以这里我们把filmName先解码成utf-8，变成能看懂的“傲骨贤妻“，再编码成gb2312

电影天堂后台所能看懂的“傲骨贤妻”，ok，这样so.php就可以执行我们的查询操作，kwtype=0&searchtype=titile带上吧，反正也不累。

关于正则语法，是python基础，可以去慕课网学习，我就不解释了。我们目的是看到html里面超链接的特点，进行正则匹配

# coding=utf-8
import urllib2
import film
import re
opener = urllib2.build_opener()#构建一个handler对象
def search():
    req = urllib2.Request('http://s.ygdy8.com/plus/so.php')
    #so.php请求参数将中文进行了Url.encode()，所以需要将中文encode('gb2312')处理
    req.add_data('kwtype=0&searchtype=title&keyword=%s' %(film.filmName).decode("utf-8").encode('gb2312'))
    html = opener.open(req).read().decode('gb2312')
    reg = r'/html/tv/oumeitv/[0-9]{8}/[0-9a-zA-Z.]{9,10}'
    return re.findall(reg,html)
search()

 3.分析下载地址

我们接着对网站进行分析 ，我们刚才搜索完成

现在界面是这样，我们暂时只取第一个，也就是“2014主打美剧《傲骨贤妻》第六季”

点开第一个连接，进入熟悉的界面，终于找到我们想要的了，对，就是下载地址

4.获取下载链接

广告出奇的多。。。还好我禁用了flash

这时候打开idea，写入代码。list获取到search结果，因为search是两个，为了看到效果，我没有遍历，只取第一个搜索结果，即2014主打剧...，这里正则用u是指Unicode string，因为我们这里存在中文

html解码，正则匹配电影天堂下载格式

def openSearchResult():
    list = search()
    req = urllib2.Request('http://www.ygdy8.com'+list[0])
    html = opener.open(req).read().decode('gb2312','ignore')
    reg = u'ftp://[a-z0-9]+:[a-z0-9]+@[a-z0-9]+.[a-z]{1,8}.[a-z]{3}:[d]{4}/[u4e00-u9fa5]{0,10}[W]*[阳光电影www.ygdy8.com][u4e00-u9fa5]*[d]+[u4e00-u9fa5][[u4e00-u9fa5]+].rmvb'
    return re.findall(reg,html)
openSearchResult()

 然后再用list把openSearchResult遍历出来，Unicode string必须遍历才能看到中文

def getList():
    for i in openSearchResult():
        print i
getList()

 结果如下，复制下来到迅雷就可以下载啦

我把fileName换成行尸走肉

5.源码

这个是正则基本语法https://github.com/cjy513203427/pachong/tree/master/regularExpression

这个是该博客的源码：https://github.com/cjy513203427/pachong/tree/master/downloadDytt