Python抓取优酷视频（上）：爬虫使用及数据处理
<div id="cnblogs_post_body">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&ldquo;1小时前&rdquo;，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：
<div class="cnblogs_code"> 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)20 href = re.compile(r'href="(.*?)"',re.DOTALL).findall(abstarct)21 date = re.compile(r'<span>(.*?)</span>',re.DOTALL).findall(abstarct)22 if debug == True:23 print title+href+date24 vid = {25 'title' : title,26 'href': href,27 'date': date28 }29 vid_list.append(vid)30 #print thread.get_ident() 31 return vid_list32 #插入数据库33 def insert_db(page):34 global lock35 #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['title'],vid_date['href'],41 vid_date['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()
页:
[1]