忧郁的loli od链接爬取

news/2024/11/9 0:58:20/

忧郁的loli od链接爬取

  • 说明
  • 思路
  • 以下是代码实现
  • 拓展思路

可能是忧郁的loli太小众化了,在网上找相关的爬虫,没有什么搜索结果。GitHub上找到一个使用selenium爬取的,但由于此网站过小,服务器速度很慢,外加selenium本身也会降低浏览的速度,爬取很慢,我曾尝试让selenium避开图片加载,但速度依旧感人,于是决定自己写一个。
本人萌新一枚(也是第一次写博客),如发现代码里有很愚蠢的地方,请大佬们指出,谢谢。

说明

以下代码是在 获取国际链接 的页面上,无法通过network选项找到获取下载链接的链接的前提下写的。通过发现 获取下载链接的链接 是由 “https://od.hhgal.com/ + 游戏名 + 下载内容”组合而成,其中下载内容为“游戏名+.rar”或“游戏名+part%d.rar”组成。

4月19号更新:不必手动更改cookies了,现可以自动获取

4月24日:新发现:od链接不像百度网盘链接,他是会自动更新的,因此此文章的代码无实际意义,仅供参考

思路

1.通过xpath定位元素,爬取主页上的各个游戏页面链接和游戏名。
2.进入各个游戏页面爬取文件说明,得到压缩文件的part数量,为合成链接做准备
3.向 获取下载链接的链接 发送请求, 这个请求会重定向到下载链接,只要查看之前发出的重定向 location信息就可以得到下载链接了。

以下是代码实现

import requests
import urllib.parse
from lxml import etreedef get_cookies():url1 = 'https://www.hhgal.com/'url2 = 'https://www.hhgal.com/?security_verify_data=313638302c31303530'headers1 = {"Host": "www.hhgal.com","User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:75.0) Gecko/20100101 Firefox/75.0","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8","Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2","Accept-Encoding": "gzip, deflate","Connection": "keep-alive","Upgrade-Insecure-Requests": "1"}headers2 = {"Host": "www.hhgal.com","User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:75.0) Gecko/20100101 Firefox/75.0","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8","Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2","Accept-Encoding": "gzip, deflate, br","Connection": "keep-alive","Referer": "https://www.hhgal.com/","Cookie": "security_session_verify={}; srcurl=68747470733a2f2f7777772e686867616c2e636f6d2f","Upgrade-Insecure-Requests": "1"}response = requests.get(url1, headers = headers1)security_session_verify = response.headers['Set-Cookie'].split(';')[0][24:]headers2['Cookie'] = headers2['Cookie'].format(security_session_verify)response2 = requests.get(url2, headers = headers2)security_session_mid_verify = response2.headers['Set-Cookie'].split(';')[0][28:]return [security_session_verify, security_session_mid_verify]
def judge_part(game_url,headers2):game_page = requests.get(game_url, headers = headers2)html = etree.HTML(game_page.content.decode())files = html.xpath('//div[@class = "alert alert-info"]/span')[0]files_text = ''.join(files.itertext())  if 'part' in files_text:part = files_text.split('MD5')[-2]part = int(part.split('part')[-1])return partelse:return 0def get_download_url(title, part, headers3):url2 = 'https://od.hhgal.com/' + urllib.parse.quote(title+'/'+title)headers3["Referer"] = 'https://od.hhgal.com/'+urllib.parse.quote(title)success = 1with open('record.txt', 'a', encoding = 'utf-8') as f:if part == 0:each_url = url2 + urllib.parse.quote('.rar')f.write(title + '\n')try:res = requests.get(each_url, headers = headers3)location = res.history[0].headers['location']f.write(title + '.rar:' + location + '\n\n')except:f.write(title + '.rar:' + 'GET_FAILED\n\n')success = 0else:f.write(title + '\n')for i in range(1, part + 1):each_url = url2 + urllib.parse.quote('.part%d.rar'%i)try:res = requests.get(each_url, headers = headers3)location = res.history[0].headers['location']f.write(title + 'part%d.rar:'%i + location + '\n')except:f.write(title + 'part%d.rar:'%i + 'GET_FAILED\n\n')success = 0f.write('\n')return successurl = 'https://www.hhgal.com/page/{}/'
verify = get_cookies()
#进入主目录
headers1 = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cache-Control": "max-age=0",
"Connection": "keep-alive",
"Cookie": "simplefavorites=%5B%7B%22site_id%22%3A1%2C%22posts%22%3A%5B28759%5D%2C%22groups%22%3A%5B%7B%22group_id%22%3A1%2C%22site_id%22%3A1%2C%22group_name%22%3A%22Default+List%22%2C%22posts%22%3A%5B28759%5D%7D%5D%7D%5D; security_session_verify={}; security_session_mid_verify={}; wpfront-notification-bar-landingpage=1; wordpress_test_cookie=WP+Cookie+check; PHPSESSID=7jrmhukq2dp2mgqjqde4q2o0hi".format(verify[0], verify[1]),
"Host": "www.hhgal.com",
"Referer": "https://www.hhgal.com/",
"Sec-Fetch-Dest": "document",
"Sec-Fetch-Mode": "navigate",
"Sec-Fetch-Site": "same-origin",
"Sec-Fetch-User": "?1",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"}
#进入游戏查看界面
headers2 = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cache-Control": "max-age=0",
"Connection": "keep-alive",
"Cookie": "simplefavorites=%5B%7B%22site_id%22%3A1%2C%22posts%22%3A%5B28759%5D%2C%22groups%22%3A%5B%7B%22group_id%22%3A1%2C%22site_id%22%3A1%2C%22group_name%22%3A%22Default+List%22%2C%22posts%22%3A%5B28759%5D%7D%5D%7D%5D; security_session_verify={}; security_session_mid_verify={}; wpfront-notification-bar-landingpage=1; wordpress_test_cookie=WP+Cookie+check; PHPSESSID=5oi82kfhndapa93l1e72m9pat8".format(verify[0], verify[1]),
"Host": "www.hhgal.com",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"}
#用于请求链接
headers3 = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cache-Control": "max-age=0",
"Connection": "keep-alive",
"Host": "od.hhgal.com",
"Referer": "",
"Sec-Fetch-Dest": "document",
"Sec-Fetch-Mode": "navigate",
"Sec-Fetch-Site": "same-site",
"Sec-Fetch-User": "?1",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"}open('record.txt', 'w')
page = 1
while page <= 90:print('Go to page %d'%page)#经测试,只有第一页不符合换页规则if page == 1:response = requests.get('https://www.hhgal.com/', headers = headers1)else:response = requests.get(url.format(page), headers = headers1)text = response.content.decode()tree = etree.HTML(text)#获取游戏名titles = tree.xpath('//div[@class = "article well clearfix mybody3"]//h1/a/span[@class="animated_h1"]')titles = [i.text for i in titles]#获取游戏页面链接game_urls = tree.xpath('//div[@class = "article well clearfix mybody3"]//h1/a')game_urls = [i.attrib['href'] for i in game_urls]print('主页获取完毕')for title, game_url in zip(titles, game_urls):if title == '详细更新日志':continuepart = judge_part(game_url, headers2)print('part获取完毕')if get_download_url(title, part, headers3):print(title,':SUCCEED')else:print(title, ':FAILED')page += 1

拓展思路

  1. 多线程爬取
  2. 断点重连,可继续下载
  3. 资源导入数据库
  4. 对小网站的爬取速度进行优化
  5. 爬取高速链接(高速链接里有个我没能找到规律的4位数字,若能找到规律则最好,若不能,可以进行穷举法尝试,但必须在4优化过的前提下进行,因为那个重定向链接速度真的慢)

由于重定向链接比较慢,爬虫启动后请耐心等待
获取失败的几种情况
1.少部分获取链接的网址命名规则不合
2.某些文件命名为part07而不是part7
3.文件命名规则不合
4.某些游戏并没有od链接


http://www.ppmy.cn/news/357418.html

相关文章

图片清晰度差怎么修复成高清图片

在日常的工作学习生活中&#xff0c;我们总是避免不了&#xff0c;要去网上找各种素材图。然而有时候找到的图片&#xff0c;并不是那么完美&#xff0c;比如存在清晰度不够等问题。就算你亲自进行拍摄&#xff0c;也有可能会因为粗心大意&#xff0c;拍了张模糊照片。 造成照…

【OpenCvSharp学习一:图片相似度比较】

搬运自自己的jianshu博客 原理就是把两个图片转化为大小相同的灰度图&#xff0c;然后相减&#xff0c;再和原图比较一下 算法有不足&#xff0c;但是基本满足需求&#xff0c;希望能抛砖引玉 float Similar(ref Mat src, ref Mat src2){Mat gray1 new Mat(src.Size(), src.Ty…

Unity 图片滑动

Unity Scroll View图片滑动 前言 在多媒体行业中&#xff0c;会有许多关于播放图片的软件诞生&#xff0c;切换图片有比较多的方式&#xff0c;下面介绍比较常用的两种&#xff0c;一个是只切换Image的图片精灵Sprite&#xff0c;一个是带有滑动过程的Scroll View切换&#x…

如何使用js实现两张图片的相似度比较

最近换季容易感冒&#xff0c;小伙伴们及各位大佬一定要注意身体&#xff0c;每年的这个时候都要渡一次劫。 进博会马上就要来临&#xff0c;最近公司在做一个关于进博会的活动。我是不负责这个项目的。但是看到我们给甲方的稿子甲方老是不满意&#xff0c;老是让修改&#xff…

微信小程序 - 完美解决 rich-text 富文本解析图片无法自适应宽高问题,图片超出屏幕宽度且不受控(详细示例源码,简单快速无需任何第三方插件)

前言 本文将提供一个函数,帮助您解决图片无法适应的问题,另外函数中还提供了一些常见的样式处理。 使用官方 <rich-text> 组件或第三方插件解析富文本时,当内容包含图片时显示的结果就会超出父容器宽度, 会导致出现横向滚动条与图片变形,如下图所示对比情况。 解决…

python读取、显示、保存图片的几种方法

目录 读取图像使用opencv读取使用PIL包读取 保存图片显示图片代码总结 读取图像 读取图像我一般采用的有两种方法&#xff0c;如果想要读成numpy数组格式就用opencv方式&#xff0c;想要读成Image对象格式就用PIL包读取。 使用opencv读取 如果是读取灰度图&#xff0c;需要指…

Latex中插入图片

1、Latex的插图 在Latex中使用插图一般有两种方式&#xff0c;一种是插入事先准备好的图片&#xff0c;另一种是使用Latex代码直接在文档中画图。我们一般常见的使用都是第一种&#xff0c;准备好图片&#xff0c;然后直接插入在我们文档当中。只有一些特殊情况需要用大量代码…

前端|加载的图片太多五种优化方法

摘要 web性能的终极目标是减少资源到客户端的延迟,但是我们在HTTP1.0/HTTP1.1协议中经常会遇到加载的图片太多或者太大导致页面加载完成慢的问题:图片太多导致向服务器请求的次数太多,图片太大导致每次请求的时间过长. 本篇将针对图片太多或者太大总结几种优化方案. 一.当图片…