Python抓取优酷视频（上）：爬虫使用及数据处理

缘起：

上篇因为工作需要（就是把腾讯新闻copy到单位自己网站上去每天15条更新）所以写了一个抓取腾讯新闻的python小脚本

这次是因为想用手机看youku视频，比如xiaoy的魔兽解说，但是打开浏览器输入game.youku.com的时候，三星9003太不

给力，因而需要一个打开速度快的目录小网站。

思路：

1.数据表设计：

id(int), //主键自增

title(varchar 50), //速度优先，只需要title，不需要图片

href(varchar 50), //视频播放地址

date(varchar 25), //采集的date中有如“1小时前”，因此也设计成varchar

2.采集函数设计：

视频列表页url = http://i.youku.com/u/UMTE0NDEzOTky/videos/order_1_view_1_page_id (id =1,2...)

每页视频个数为20，采集内容为title,href,date，优酷的html很规整，因此正则提取很好写，详见代码。

3.采集流程及入库：

采用多线程采集，开9个进程，每个进程提取一个列表页20个视频，总共采集180个视频，如果想全站采集的话修改即可。

数据库采用mysql，如何使python支持mysql详见Python网站建设，因为是多线程所以在插入数据的时候需要资源锁。

关于python多线程thread以及资源锁，可以参照Python模块学习。

代码：

 1 #!/usr/bin/env python
 2 #coding=utf-8
 3 import urllib2
 4 import re
 5 import MySQLdb
 6 import thread
 7 import time
 8 #创建锁，用于访问数据库
 9 lock = thread.allocate_lock()
10 #抓取函数
11 def fetch(id=1,debug=False):
12     urlbase = 'http://i.youku.com/u/UMTE0NDEzOTky/videos/'
13     url = urlbase + 'order_1_view_1_page_' + str(id) + '/'
14     res = urllib2.urlopen(url).read()
15     abstarct = re.compile(r'<ul class="v".*?</ul>',re.DOTALL).findall(res)
16
17     vid_list = []
18     for i in range(0,len(abstarct)):
19         title = re.compile(r'title="(.*?)"',re.DOTALL).findall(abstarct[i])
20         href = re.compile(r'href="(.*?)"',re.DOTALL).findall(abstarct[i])
21         date = re.compile(r'<span>(.*?)</span>',re.DOTALL).findall(abstarct[i])
22         if debug == True:
23             print title[0]+href[0]+date[0]
24         vid = {
25             'title' : title[0],
26             'href'  : href[0],
27             'date'  : date[0]
28         }
29         vid_list.append(vid)
30     #print thread.get_ident()    
31     return vid_list
32 #插入数据库
33 def insert_db(page):
34     global lock
35     #执行抓取函数
36     vid_date = fetch(page,False)
37     sql = "insert into ykgame (title,href,date) values (%s,%s,%s)"
38     #插入数据，一页20条
39     for i in range(0,len(vid_date)):
40         param = (vid_date[i]['title'],vid_date[i]['href'],
41                     vid_date[i]['date'])
42         lock.acquire() #创建锁
43         cursor.execute(sql,param)
44         conn.commit()
45         lock.release() #释放锁
46
47 if __name__ == "__main__":
48     #连接数据库
49     conn = MySQLdb.connect(host="localhost",user="root",
50             passwd="root",db="python_test",charset="utf8")
51     cursor = conn.cursor()
52     conn.select_db('python_test')
53     #创建表
54     sql = "CREATE TABLE IF NOT EXISTS \
55         ykgame(id int PRIMARY KEY AUTO_INCREMENT, title varchar(50), \
56         href varchar(50), date varchar(25))"
57     cursor.execute(sql)
58     #插入数据库
59     for i in range(1,10):
60         thread.start_new_thread(insert_db,(i,))
61         print '采集中...'
62     time.sleep(3)
63     #关闭数据库
64     cursor.close()
65     conn.close()

说明：

urllib2模块：进行网页内容抓取

re模块：进行正则表达式提取

MySQLdb模块：mysql操作

thread模块：多线程操作

time模块：time.sleep(3)

遇到的问题：

1.mysql中文乱码：问题比较复杂，通用解决办法如下

程序中只要在开头写好：#coding=utf-8

连接数据库的时候设置编码方式：conn=MySQLdb.connect(host="127.0.0.1",user="webdb",passwd="web123",db="web",charset="utf8")

对于采集来的中文字符串，可以编码转换后插入str = str.decode("gbk").encode("utf-8")

2.Warning: Data truncated for column 'href' at row 1

原因：href 数据库中为 varchar(25)，而实际长度>25

解决办法：将href 数库中改为 varchar(50)

3.多线程问题：现象混乱有时候无报错，注意事项如下

使用相同资源是需要用资源锁，不然出现异常

线程处理时间短时，启用线程后加time.sleep(3)

python 为抓取而生

Python抓取优酷视频（上）：爬虫使用及数据处理