我用python爬了33343个视频,可以学10年!!!(二)

生产者消费者(多线程)版本

这个版本速度嗖嗖的、、、、爬点下来学习学习呀!!!

import requests
import re
import json
import os
from urllib import request
import threading
import time
import socket
from queue import Queue


class Producer(threading.Thread):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
        'Accept': '*/*',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q = 0.9',
        'Connection': 'close'
    }
    def __init__(self,page_queue,video_queue,*args,**kwargs):
        super(Producer, self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.video_queue = video_queue
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            page_url = self.page_queue.get()
            self.parse_detail_page(page_url)

    def get_newurl(self,url):
        if 'data' not in url:
            jsurl_list1 = url.rsplit('/')[3]
            jsurl_list2 = url.rsplit('/')[4].replace('html', 'js')
            new_url = 'https://www.xuexi.cn/' + jsurl_list1 + '/data' + jsurl_list2
        else:
            new_url = url
        return new_url

    def get_pydetail(self,url):
        try:
            new_url = self.get_newurl(url)
            resp = requests.get(new_url, headers=self.headers)
            if 'globalCache' in resp.text:
                jsdetail = resp.text.replace('globalCache = ', '').replace(';', '')
                pydetail = json.loads(jsdetail)
            else:
                pydetail = json.loads(resp.text)
            resp.close()
        except:
            count = 1
            while count <= 5:
                try:
                    self.get_pydetail(url)
                    break
                except:
                    count += 1
            if count > 5:
                print('pydetail获取失败')
        return pydetail

    def get_list_url(self,url):
        pydetail = self.get_pydetail(url)
        DataSets = pydetail['DataSet']
        all_list_data_url = []
        for DataSet in DataSets:
            dataset = DataSet.rsplit('!')[1]
            dataset_url = 'https://www.xuexi.cn/lgdata/' + dataset + '?_st=26434284'
            list_list = self.get_pydetail(dataset_url)
            for list in list_list:
                list_url = list['url']
                list_data_url = self.get_newurl(list_url)
                all_list_data_url.append(list_data_url)
        return all_list_data_url

    def parse_page(self,url):
        pydetail = self.get_pydetail(url)
        get_static_page_url = pydetail['fpe1ki18v228w00']
        all_detail_url = []
        for detail in get_static_page_url:
            static_page_url = detail['static_page_url']
            detail_url = self.get_newurl(static_page_url)
            all_detail_url.append(detail_url)
        return all_detail_url

    def parse_detail_page(self,url):
        pydetail = self.get_pydetail(url)
        get_info = pydetail['fp6ioapwuyb80001']['info']
        mooc = get_info['mooc'].strip()
        mooc = re.sub(r'[\\/\:?*"<>|\t]', '', mooc)
        mooc_class = get_info['mooc_class'].strip()
        mooc_class = re.sub(r'[\\/\:?*"<>|\t]', '', mooc_class)
        frst_name = get_info['frst_name'].strip()
        frst_name = re.sub(r'[\\/\:?*"<>|\t]', '', frst_name)[0:101].strip()
        ossUrls = eval(get_info['ossUrl'])
        for i, ossUrl in enumerate(ossUrls):
            file_name = '第' + str(i + 1) + '节' + '.mp4'
            video_url = ossUrl
            self.video_queue.put((video_url,mooc,mooc_class,frst_name,file_name))

class Consumer(threading.Thread):
    def __init__(self, page_queue, video_queue, *args, **kwargs):
        super(Consumer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.video_queue = video_queue
    def run(self):
        while True:
            if self.page_queue.empty() and self.video_queue.empty():
                break
            video_url,mooc,mooc_class,frst_name,file_name =self.video_queue.get()
            try:
                # muke_path = os.path.join(os.path.dirname(__file__), '慕课视频')
                muke_path = 'D:\慕课视频'
                if not os.path.exists(muke_path):
                    os.makedirs(muke_path)

                mooc_class_path = os.path.join(muke_path, mooc, mooc_class, frst_name)
                if not os.path.exists(mooc_class_path):
                    os.makedirs(mooc_class_path)
            except:
                pass

            file_name_path = os.path.join(mooc_class_path, file_name)
            if not os.path.exists(file_name_path):
                try:
                    request.urlretrieve(video_url, file_name_path)
                    print('下载 ' + mooc + frst_name + file_name + '完成')
                except:
                    count = 1
                    while count <= 5:
                        try:
                            request.urlretrieve(video_url, file_name_path)
                            break
                        except:
                            count += 1
                    if count > 5:
                        print("downloading {}{} failed!".format(frst_name,file_name))
            else:
                print(mooc + mooc_class + frst_name + file_name + '  已经下载完毕啦!!!')

def main():
    page_queue = Queue(50000)
    video_queue = Queue(100000)
    producer = Producer(page_queue,video_queue)
    url = 'https://www.xuexi.cn/lgdata/f547c0f321ac9a0a95154a21485a29d6/1cdd8ef7bfc3919650206590533c3d2a.json?_st=26434284'
    list_urls = producer.get_list_url(url)
    for list_url in list_urls:
        page_urls = producer.parse_page(list_url)
        for page_url in page_urls:
            page_queue.put(page_url)
        for i in range(5):
            Producer(page_queue,video_queue).start()
        for i in range(5):
            Consumer(page_queue,video_queue).start()

if __name__ == '__main__':
    main()

存在的问题:
爬取效率还可以,但是程序还是经常卡起不运行,也不报错。
小技巧:
1-创建下载路径时不要创建在项目内尤其是下载视频、音乐、图片等大文件

 muke_path = os.path.join(os.path.dirname(__file__), '慕课视频')

而应该自己选择路径,不然运行IDE不堪重负啊,我用的pycharm,简直卡的我崩溃。

 muke_path = 'D:\慕课视频'

2-python内置函数evel的用法,简单来讲就是把列表、字典、元祖形式的字符串转换成列表、字典、元祖。
例:我这个项目中就要把获得的每个视频的URL字符串转换为列表后面才可以遍历。

get_info = pydetail['fp6ioapwuyb80001']['info']
ossUrls = eval(get_info['ossUrl'])

还有一个scrapy版本更新到下一篇吧

欢迎指出不足之处

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,907评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,987评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,298评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,586评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,633评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,488评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,275评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,176评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,619评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,819评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,932评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,655评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,265评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,871评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,994评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,095评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,884评论 2 354