【怒草 https://blog.csdn.net/visionliao/article/details/103935091 未经允许严禁转载，请尊重作者劳动成果。】

快要过年了，大家都在忙些什么呢？一到年底公司各种抢票，备年货，被这过年的气氛一烘，都归心似箭，哪还有心思上班啊。归心似箭=产出低下=一行代码十个错=无聊。于是想起了以前学过一段时间的Python，自己平时也挺爱看电影的，手动点进去看电影详情然后一部一部的去下载太烦了，何不用Python写个自动下载电影的工具呢？诶，这么一想就不无聊了。以前还没那么多XX会员的时候，想看看电影都是去XX天堂去找电影资源，大部分想看的电影还是有的，就它了，爬它！

话说以前玩Python的时候爬过挺多网站的，都是在公司干的(Python不属于公司的业务范围，纯属自己折腾着好玩)，我那个负责运维的同事天天跑过来说：你又在爬啥啊，你去看看新闻，某某爬东西又被抓了！出了事你自己负责啊！哎呀我的娘亲，吓的都没继续玩下去了。这个博客是爬取某天堂的资源(具体是哪个天堂下面的代码里会有的)，会不会被抓啊？单纯的作为技术讨论，个人练手，不做商业用途应该没事吧？写到这里小手不禁微微颤抖...

得嘞，死就死吧，我不入地狱谁入地狱，先看最终实现效果:

如上，这个下载工具是有界面的(牛皮吧)，只要输入一个根地址和电影评分，就可以自动爬电影了，要完成这个工具需要具备以下知识点：

• PyCharm的安装和使用  这个不多说，猿们都懂，不属于猿类的我也没办法科普了，就是个IDE
• tkinter  这是个Python GUI开发的库，图中这个简陋的可怜的界面就是基于TK开发的，不想要界面也可以去掉，丝毫不影响爬电影，加上用户界面可以显得屌一点，当然最主要的是我想学习一点新知识
• 静态网页的分析技巧   相对于动态网站的爬取，静态网站的爬取就显得小菜了，F12会按吧，右键查看网页源代码会吧，通过这些简单的操作就可以查看网页的排版布局规则，然后根据这些规则写爬虫，soeasy
• 数据持久化  已经下载过的电影，下次再爬电影的时候不希望再下载一次吧，那就把下载过的链接存储起来，下载电影之前去比对是否下载过，以过滤重复下载
• 迅雷X的下载安装  这个就更不用多说了，作为当代社会主义有为青年，谁没用过迅雷？谁的硬盘里没有几部动作类型的片子？

差不多就这些了，至于实现的技术细节的话，也不多，requests+BeautifulSoup的使用，re正则，Python数据类型，Python线程，dbm、pickle等数据持久化库的使用，等等，这个工具也就这么些知识范畴了。当然，Python是面向对象的，编程思想是所有语言通用的，这个不是一朝一夕的事，也没办法通过语言描述清楚。各位对号入座，以上哪个知识面不足的自己去翻资料学习，我可是直接贴代码的。

说到Python的学习还是多说两句吧，以前学习Python爬虫的时候看的是 @工匠若水 https://blog.csdn.net/yanbober的博客，这哥们的Python文章写的真不错，对于有过编程经验却从没接触过Python的人很有帮助，基本上很快就能上手一个小项目。得嘞，撸代码：

import url_manager
import html_parser
import html_download
import persist_util
from tkinter import *
from threading import Thread
import osclass SpiderMain(object):def __init__(self):self.mUrlManager = url_manager.UrlManager()self.mHtmlParser = html_parser.HtmlParser()self.mHtmlDownload = html_download.HtmlDownload()self.mPersist = persist_util.PersistUtil()# 加载历史下载链接def load_history(self):history_download_links = self.mPersist.load_history_links()if history_download_links is not None and len(history_download_links) > 0:for download_link in history_download_links:self.mUrlManager.add_download_url(download_link)d_log("加载历史下载链接: " + download_link)# 保存历史下载链接def save_history(self):history_download_links = self.mUrlManager.get_download_url()if history_download_links is not None and len(history_download_links) > 0:self.mPersist.save_history_links(history_download_links)def craw_movie_links(self, root_url, score=8):count = 0;self.mUrlManager.add_url(root_url)while self.mUrlManager.has_continue():try:count = count + 1url = self.mUrlManager.get_url()d_log("craw %d : %s" % (count, url))headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36','Referer': url}content = self.mHtmlDownload.down_html(url, retry_count=3, headers=headers)if content is not None:doc = content.decode('gb2312', 'ignore')movie_urls, next_link = self.mHtmlParser.parser_movie_link(doc)if movie_urls is not None and len(movie_urls) > 0:for movie_url in movie_urls:d_log('movie info url: ' + movie_url)content = self.mHtmlDownload.down_html(movie_url, retry_count=3, headers=headers)if content is not None:doc = content.decode('gb2312', 'ignore')movie_name, movie_score, movie_xunlei_links = self.mHtmlParser.parser_movie_info(doc, score=score)if movie_xunlei_links is not None and len(movie_xunlei_links) > 0:for xunlei_link in movie_xunlei_links:# 判断该电影是否已经下载过了is_download = self.mUrlManager.has_download(xunlei_link)if is_download == False:# 没下载过的电影添加到迅雷下载列表d_log('开始下载 ' + movie_name + ', 链接地址: ' + xunlei_link)self.mUrlManager.add_download_url(xunlei_link)os.system(r'"D:\迅雷\Thunder\Program\Thunder.exe" {url}'.format(url=xunlei_link))# 每下载一部电影都实时更新数据库，这样可以保证即使程序异常退出也不会重复下载该电影self.save_history()if next_link is not None:d_log('next link: ' + next_link)self.mUrlManager.add_url(next_link)except Exception as e:d_log('错误信息: ' + str(e))def runner(rootLink=None, scoreLimit=None):if rootLink is None:returnspider = SpiderMain()spider.load_history()if scoreLimit is None:spider.craw_movie_links(rootLink)else:spider.craw_movie_links(rootLink, score=float(scoreLimit))spider.save_history()# rootLink = 'https://www.dytt8.net/html/gndy/dyzz/index.html'
# rootLink = 'https://www.dytt8.net/html/gndy/dyzz/list_23_207.html'
def start(rootLink, scoreLimit):loop_thread = Thread(target=runner, args=(rootLink, scoreLimit,), name='LOOP THREAD')#loop_thread.setDaemon(True)loop_thread.start()#loop_thread.join() # 不能让主线程等待，否则GUI界面将卡死btn_start.configure(state='disable')# 刷新GUI界面，文字滚动效果
def d_log(log):s = log + '\n'txt.insert(END, s)txt.see(END)if __name__ == "__main__":rootGUI = Tk()rootGUI.title('XX电影自动下载工具')# 设置窗体背景颜色black_background = '#000000'rootGUI.configure(background=black_background)# 获取屏幕宽度和高度screen_w, screen_h = rootGUI.maxsize()# 居中显示窗体window_x = (screen_w - 640) / 2window_y = (screen_h - 480) / 2window_xy = '640x480+%d+%d' % (window_x, window_y)rootGUI.geometry(window_xy)lable_link = Label(rootGUI, text='解析根地址: ',\bg='black',\fg='red', \font=('宋体', 12), \relief=FLAT)lable_link.place(x=20, y=20)lable_link_width = lable_link.winfo_reqwidth()lable_link_height = lable_link.winfo_reqheight()input_link = Entry(rootGUI)input_link.place(x=20+lable_link_width, y=20, relwidth=0.5)lable_score = Label(rootGUI, text='电影评分限制: ', \bg='black', \fg='red', \font=('宋体', 12), \relief=FLAT)lable_score.place(x=20, y=20+lable_link_height+10)input_score = Entry(rootGUI)input_score.place(x=20+lable_link_width, y=20+lable_link_height+10, relwidth=0.3)btn_start = Button(rootGUI, text='开始下载', command=lambda: start(input_link.get(), input_score.get()))btn_start.place(relx=0.4, rely=0.2, relwidth=0.1, relheight=0.1)txt = Text(rootGUI)txt.place(rely=0.4, relwidth=1, relheight=0.5)rootGUI.mainloop()

spider_main.py，主代码入口，主要是tkinter 实现的一个简陋的界面，可以输入根地址，电影最低评分。所谓的根地址就是某天堂网站的一类电影的入口，比如进入首页有如下的分类，最新电影、日韩电影、欧美影片、2019精品专区，等等。这里以2019精品专区为例(https://www.dytt8.net/html/gndy/dyzz/index.html)，当然，用其它的分类地址入口也是可以的。评分就是个过滤电影的条件，要学会对垃圾电影说不，浪费时间浪费表情，你可以指定大于等于8分的电影才下载，也可以指定大于等于9分等，必须输入数字哈，输入些乱七八糟的东西进去程序会崩溃，这个细节我懒得处理。

'''
URL链接管理类，负责管理爬取下来的电影链接地址，包括新解析出来的链接地址，和已经下载过的链接地址，保证相同的链接地址只会下载一次
'''
class UrlManager(object):def __init__(self):self.urls = set()self.used_urls = set()self.download_urls = set()def add_url(self, url):if url is None:returnif url not in self.urls and url not in self.used_urls:self.urls.add(url)def add_urls(self, urls):if urls is None or len(urls) == 0:returnfor url in urls:self.add_url(url)def has_continue(self):return len(self.urls) > 0def get_url(self):url = self.urls.pop()self.used_urls.add(url)return urldef get_download_url(self):return self.download_urlsdef has_download(self, url):return url in self.download_urlsdef add_download_url(self, url):if url is None:returnif url not in self.download_urls:self.download_urls.add(url)

url_manager.py，注释里写的很清楚了，基本上每个py文件的关键地方我都写了比较详细的注释

import requests
from requests import Timeout'''
HtmlDownload，通过一个链接地址将该html页面整体down下来，然后通过html_parser.py解析其中有价值的信息
'''
class HtmlDownload(object):def __init__(self):self.request_session = requests.session()self.request_session.proxiesdef down_html(self, url, retry_count=3, headers=None, proxies=None, data=None):if headers:self.request_session.headers.update(headers)try:if data:content = self.request_session.post(url, data=data, proxies=proxies)print('result code: ' + str(content.status_code) + ', link: ' + url)if content.status_code == 200:return content.contentelse:content = self.request_session.get(url, proxies=proxies)print('result code: ' + str(content.status_code) + ', link: ' + url)if content.status_code == 200:return content.contentexcept (ConnectionError, Timeout) as e:print('HtmlDownload ConnectionError or Timeout: ' + str(e))if retry_count > 0:self.down_html(url, retry_count-1, headers, proxies, data)return Noneexcept Exception as e:print('HtmlDownload Exception: ' + str(e))

html_download.py，就是用requests将静态网页的内容整体down下来

from bs4 import BeautifulSoup
from urllib.parse import urljoin
import re
import urllib.parse
import base64'''
html页面解析器
'''
class HtmlParser(object):# 解析电影列表页面，获取电影详情页面的链接def parser_movie_link(self, content):try:urls = set()next_link = Nonedoc = BeautifulSoup(content, 'lxml')div_content = doc.find('div', class_='co_content8')if div_content is not None:tables = div_content.find_all('table')if tables is not None and len(tables) > 0:for table in tables:link = table.find('a', class_='ulink')if link is not None:print('movie name: ' + link.text)movie_link = urljoin('https://www.dytt8.net', link.get('href'))print('movie link ' + movie_link)urls.add(movie_link)next = div_content.find('a', text=re.compile(r".*?下一页.*?"))if next is not None:next_link = urljoin('https://www.dytt8.net/html/gndy/dyzz/', next.get('href'))print('movie next link ' + next_link)return urls, next_linkexcept Exception as e:print('解析电影链接地址发生错误: ' + str(e))# 解析电影详情页面，获取电影详细信息def parser_movie_info(self, content, score=8):try:movie_name = None # 电影名称movie_score = 0   # 电影评分movie_xunlei_links = set() # 电影的迅雷下载地址，可能存在多个doc = BeautifulSoup(content, 'lxml')movie_name = doc.find('title').text.replace('迅雷下载_电影天堂', '')#print(movie_name)div_zoom = doc.find('div', id='Zoom')if div_zoom is not None:# 获取电影评分span_txt = div_zoom.texttxt_list = span_txt.split('◎')if txt_list is not None and len(txt_list) > 0:for tl in txt_list:if 'IMDB' in tl or 'IMDb' in tl or 'imdb' in tl or 'IMdb' in tl:txt_score = tl.split('/')[0]print(txt_score)movie_score = re.findall(r"\d+\.?\d*", txt_score)if movie_score is None or len(movie_score) <= 0:movie_score = 1else:movie_score = movie_score[0]print(movie_name + ' IMDB影片分数: ' + str(movie_score))if float(movie_score) < score:print('电影评分低于' + str(score) + ', 忽略')return movie_name, movie_score, movie_xunlei_linkstxt_a = div_zoom.find_all('a', href=re.compile(r".*?ftp:.*?"))if txt_a is not None:# 获取电影迅雷下载地址，base64转成迅雷格式for alink in txt_a:xunlei_link = alink.get('href')'''这里将电影链接转换成迅雷的专用下载链接，后来发现不转换迅雷也能识别xunlei_link = urllib.parse.quote(xunlei_link)xunlei_link = xunlei_link.replace('%3A', ':')xunlei_link = xunlei_link.replace('%40', '@')xunlei_link = xunlei_link.replace('%5B', '[')xunlei_link = xunlei_link.replace('%5D', ']')xunlei_link = 'AA' + xunlei_link + 'ZZ'xunlei_link = base64.b64encode(xunlei_link.encode('gbk'))xunlei_link = 'thunder://' + str(xunlei_link, encoding='gbk')'''print(xunlei_link)movie_xunlei_links.add(xunlei_link)return movie_name, movie_score, movie_xunlei_linksexcept Exception as e:print('解析电影详情页面错误: ' + str(e))

html_parser.py，用bs4解析down下来的html页面内容，根据网页规则过去我们需要的东西，这是爬虫最重要的地方，写爬虫的目的就是想要取出对我们有用的东西。

import dbm
import pickle
import os'''
数据持久化工具类
'''
class PersistUtil(object):def save_data(self, name='No Name', urls=None):if urls is None or len(urls) <= 0:returntry:history_db = dbm.open('downloader_history', 'c')history_db[name] = str(urls)finally:history_db.close()def get_data(self):history_links = set()try:history_db = dbm.open('downloader_history', 'r')for key in history_db.keys():history_links.add(str(history_db[key], 'gbk'))except Exception as e:print('遍历dbm数据失败: ' + str(e))return history_links# 使用pickle保存历史下载记录def save_history_links(self, urls):if urls is None or len(urls) <= 0:returnwith open('DownloaderHistory', 'wb') as pickle_file:pickle.dump(urls, pickle_file)# 获取保存在pickle中的历史下载记录def load_history_links(self):if os.path.exists('DownloaderHistory'):with open('DownloaderHistory', 'rb') as pickle_file:return pickle.load(pickle_file)else:return None

persist_util.py，数据持久化工具类。

这样代码部分就完成了，说下迅雷，我安装的是最新版的迅雷X，一定要如下图一样在迅雷设置打开一键下载功能，否则每次新增一个下载任务都会弹出用户确认框的，还有就是调用迅雷下载资源的代码：os.system(r'"D:\迅雷\Thunder\Program\Thunder.exe" {url}'.format(url=xunlei_link))，一定要去到迅雷安装目录找到Thunder.exe文件，不能用快捷方式的地址(我的电脑->迅雷->右键属性->目标，迅雷X这里显示的路径是快捷方式的路径，不能用这个)，否则找不到程序。

 

到这里你应该就可以电影爬起来了，妥妥的。当然，你想要优化也可以，程序有很多可以优化的地方，比如线程那一块，比如数据持久化那里..... 初学者可以通过这个练手，然后自己去分析分析静态网站的规则，把解析html那一块的代码改改就可以爬其它的网站了，比如那些有着危险动作的电影... 不过这类电影还是少看为妙，要多读书，偶尔看了也要擦擦干净，洗洗干净，要讲卫生。

 

今天年会，等会儿就可以吃大餐了，哈哈，狗的白~