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="http://t.zoukankan.com/(.*?)"',re.DOTALL).findall(abstarct[i]) 20 href = re.compile(r'href="http://t.zoukankan.com/(.*?)"',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)