制作一个听话的电影种子挖掘器

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了制作一个听话的电影种子挖掘器相关的知识,希望对你有一定的参考价值。

每次回到宿舍想看部电影才发现很长时间没有去bt站淘种子了, 然而天天去站上找适合自己类型的电影又是一件费时又费力的事儿, 所以周末花时间写了一个可配置的爬子, 能够根据不同人的不同需求去自动下载种子文件, 并且能够避免不同分类中的重复电影

后期还会加入下载队列的功能, 在检测宿舍无人用网的时候开启bt下载, 有人接入wifi就暂停

项目地址: https://github.com/hwding/btDigger , 众人拾柴火焰高, 欢迎共同制作...

(爬子依赖‘bt天堂‘这个种子站)

运行起来是这个样子的

技术分享

 

开始分析这个爬子的制作过程

首先我想让它具有以下灵活性, 请看config.json:

{
    "regions-banned":[
        "中国大陆"
    ],
    "depth":"2",
    "definition":"1080p",
    "categories":[
        "动作",
        "战争",
        "科幻",
        "悬疑",
        "犯罪",
        "恐怖",
        "惊悚",
        "冒险"
    ]
}

能够屏蔽大陆地区的电影, 每个分类的页面挖掘深度为2, 优先下载1080p的种子, 并且指定 "动作","战争","科幻"... 这几类

在程序启动后首先读入配置文件并解析, 解析器采用单例模式以方便在其它类中载入配置

main方法中:  ConfigLoader.getInstance(); 

ConfigLoader类:

 1 import org.json.JSONArray;
 2 import org.json.JSONObject;
 3 import java.io.*;
 4 import java.util.ArrayList;
 5 
 6 class ConfigLoader {
 7     private static ConfigLoader configLoader = null;
 8     private static final String FILE_NAME = "config.json";
 9     private static ArrayList<String> regions_banned = new ArrayList<>();
10     private static ArrayList<String> categories    = new ArrayList<>();
11     private static int depth;
12     private static String definition;
13 
14     private ConfigLoader() {
15         String jsonString = extractJSON();
16         JSONObject jsonObject = new JSONObject(jsonString);
17         JSONArray regions_banned_array = jsonObject.getJSONArray("regions-banned");
18         JSONArray categories_array = jsonObject.getJSONArray("categories");
19         for (Object each : regions_banned_array)
20             regions_banned.add((String) each);
21         for (Object each : categories_array)
22             categories.add((String) each);
23         depth = Integer.parseInt(jsonObject.getString("depth"));
24         definition = jsonObject.getString("definition");
25     }
26 
27     static synchronized ConfigLoader getInstance() {
28         if (configLoader==null)
29             configLoader = new ConfigLoader();
30         return configLoader;
31     }
32 
33     ArrayList<String> getRegions_banned() {
34         return regions_banned;
35     }
36 
37     ArrayList<String> getCategories() {
38         return categories;
39     }
40 
41     int getDepth() {
42         return depth;
43     }
44 
45     String getDefinition() {
46         return definition;
47     }
48 
49     private String extractJSON() {
50         File file = new File(FILE_NAME);
51         String jsonString = "";
52         String temp;
53         try {
54             BufferedReader bufferedReader = new BufferedReader(
55                                             new InputStreamReader(
56                                             new FileInputStream(file), "UTF-8"));
57             while ((temp = bufferedReader.readLine()) != null)
58                 jsonString+=temp;
59         } catch (FileNotFoundException e) {
60             System.out.println("\\n[x] Configuration file not found");
61             System.exit(0);
62         } catch (IOException e) {
63             System.out.println("\\n[x] An error occurred when trying to read the configuration file");
64             System.exit(0);
65         }
66         return jsonString;
67     }
68 }

这里就是简单地将文件中的属性赋给对应的类成员变量

然后main方法会启动页面解析器:  PageParser.getInstance(); 

页面解析器在初始化成功后会自动根据配置进行解析

首先检查能否连接‘bt天堂‘网站

然后开始在首页中查找我们需要的电影分类的次级链接地址, 在网页源代码中是这样的存在

 2         <div class="Btitle"><a href="/category.php?/%e5%8a%a8%e4%bd%9c/" title="动作电影">动作</a></div>
 3         <div class="Btitle"><a href="/category.php?/%e6%88%98%e4%ba%89/" title="战争电影">战争</a></div>
 4         <div class="Btitle"><a href="/category.php?/%e5%89%a7%e6%83%85/" title="剧情电影">剧情</a></div>
 5         <div class="Btitle"><a href="/category.php?/%e7%88%b1%e6%83%85/" title="爱情电影">爱情</a></div>
 6         <div class="Btitle"><a href="/category.php?/%e7%a7%91%e5%b9%bb/" title="科幻电影">科幻</a></div>
 7         <div class="Btitle"><a href="/category.php?/%e6%82%ac%e7%96%91/" title="悬疑电影">悬疑</a></div>        
 8         <div class="Btitle"><a href="/category.php?/%e5%ae%b6%e5%ba%ad/" title="家庭电影">家庭</a></div>
 9         <div class="Btitle"><a href="/category.php?/%e7%8a%af%e7%bd%aa/" title="犯罪电影">犯罪</a></div>
10         <div class="Btitle"><a href="/category.php?/%e6%81%90%e6%80%96/" title="恐怖电影">恐怖</a></div>
11         <div class="Btitle"><a href="/category.php?/%e5%8a%a8%e7%94%bb/" title="动画电影">动画</a></div>
12         <div class="Btitle"><a href="/category.php?/%e5%96%9c%e5%89%a7" title="喜剧电影">喜剧</a></div>
13         <div class="Btitle"><a href="/category.php?/%e6%83%8a%e6%82%9a" title="惊悚电影">惊悚</a></div>
14         <div class="Btitle"><a href="/category.php?/%e5%86%92%e9%99%a9" title="冒险电影">冒险</a></div>

所以我们只需要收集名为class属性为Btitle的标签, 并将标签的内容与我们的目标分类数组中的每一项一一比对即可

然后再将其中的href属性的值保存起来用于访问各个分类

1 Elements bTitles = document.select("div[class=\\"Btitle\\"]");
2             for (Element each : bTitles) {
3                 Element thisCategory = each.select("a").first();
4                 ArrayList<String> categories = configLoader.getCategories();
5                 if (!categories.contains(thisCategory.text()))
6                     continue;
7                 targetCategoriesSubURLs.add(thisCategory.attr("href"));
8                 System.out.println("[o] \\tCategory ["+thisCategory.text()+"] spotted");

完成分类链接的收集之后, 开始收集各个分类之中的电影:  parseCategoryPage(); 

这一步的工作就是屏蔽不想要的电影(此配置屏蔽中国大陆地区电影)并且丢弃不同分类下的同一个电影

parseCategoryPage()方法如下

技术分享
 1  void parseCategoryPage() {
 2         System.out.println("[o] You are banning films from "+configLoader.getRegions_banned().toString());
 3         System.out.println("[o] You want to dig into each category with the depth of: "+configLoader.getDepth());
 4         if (configLoader.getDepth() < 1) {
 5             System.out.println("[x] Depth can not be smaller than 1");
 6             System.exit(0);
 7         }
 8         else if (configLoader.getDepth() > 5) {
 9             System.out.println("[i] Depth may be too large");
10         }
11         System.out.print("[o] Collecting films into each category...");
12         int counterDuplicated = 0;
13         int counterBanned = 0;
14         boolean isBanned;
15         boolean isDuplicated;
16         for (String each : targetCategoriesSubURLs) {
17             for (int i = 1; i < configLoader.getDepth() + 1; i++) {
18                 try {
19                     URL url = new URL(HOST + each + i);
20                     Document document = Jsoup.parse(url, 5000);
21                     Elements filmTitles = document.select("div[class=\\"title\\"]");
22                     for (Element eachFilmTitle : filmTitles) {
23                         if (!"".equals(eachFilmTitle.select("font").text())) {
24                             isBanned = false;
25                             isDuplicated = false;
26                             for (String eachBannedLocation : configLoader.getRegions_banned()) {
27                                 if (eachFilmTitle.select("p[class=\\"des\\"]").text().contains(eachBannedLocation)) {
28                                     counterBanned++;
29                                     isBanned = true;
30                                 }
31                             }
32                             for (String eachValidFileTitle : validFilmTitles) {
33                                 if (eachFilmTitle.select("font").text().contains(eachValidFileTitle)) {
34                                     counterDuplicated++;
35                                     isDuplicated = true;
36                                 }
37                             }
38                             if (!isBanned && !isDuplicated) {
39                                 validFilmTitles.add(eachFilmTitle.select("font").text());
40                                 validFilmSubURLs.add(eachFilmTitle.select("a").first().attr("href"));
41                             }
42                         }
43                     }
44                 } catch (MalformedURLException e) {
45                     System.out.println("\\n[x] Internal error: MalformedURL");
46                 } catch (IOException e) {
47                     System.out.println("\\n[x] An error occurred when trying to read the page");
48                 }
49             }
50         }
51         System.out.println("OK");
52         System.out.println("[o] \\t"+counterBanned+" films banned");
53         System.out.println("[o] \\t"+counterDuplicated+" films dropped due to duplication");
54         parseFilmPage();
55     }
View Code

注意这里会先收集分类页面底部的页数导航栏, 并且用一个循环去根据指定的深度访问页面

此处深度为2, 所以会访问第一页和第二页

分类页面底部的页数导航栏在网页源代码中是这样的

 1 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/1/‘>首页</a></li>
 2  <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/-1/‘>上一页</a></li>
 3  <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/1/‘>1</a></li>
 4 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/2/‘>2</a></li>
 5 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/3/‘>3</a></li>
 6 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/4/‘>4</a></li>
 7 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/5/‘>5</a></li>
 8 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/6/‘>6</a></li>
 9 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/7/‘>7</a></li>
10 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/8/‘>8</a></li>
11 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/9/‘>9</a></li>
12 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/10/‘>10</a></li>
13 <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/11/‘>11</a></li>
14  <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/1/‘>下一页</a></li>
15  <li><a href=‘/category.php?/%E7%8A%AF%E7%BD%AA/102/‘>末页</a></li>

解析的方法同上

完成并收集了符合要求的电影的页面链接之后, 我们将开始进入到每一个电影的详情页并找到最好的种子去下载

这里会调用 parseFilmPage() 方法

每个电影详情页会有种子列表, 提供不同清晰度(720p, 1080p, BluRay 720p, BluRay 1080p等), 为了不牺牲清晰度也不让硬盘爆满, 配置文件中指定最喜爱的清晰度为1080p

种子列表在网页源代码中如下, 解析方式同上上...

1 <div class="tinfo">
2 <a href="/download.php?n=%E6%B4%9B%E5%9F%8E%E5%B1%A0%E6%89%8Bbt%E7%A7%8D%E5%AD%90%E4%B8%8B%E8%BD%BD.720p%E9%AB%98%E6%B8%85.torrent&temp=yes&id=27808&uhash=b57db4fed7d35c8d0924033f" title="【720p高清】洛城屠手 /L.A. Slasher .2015.1.02GBBT种子下载" target="_blank"><p class="torrent"><img border="0" src="/style/torrent.gif" style="vertical-align:middle" alt="">【720p高清】洛城屠手<i>/L.A. Slasher</i>.2015.<em>1.02GB</em>.torrent</p></a>
3 <ul class="btTree treeview"><li><span class="file"><font color="#999">本torrent文件由BT天堂(www.BTtiantang.com)提供!</font></span></li><li><span class="video">L.A.Slasher.2015.720p.BluRay.H264.AAC-RARBG.mp4<small>1.02GB</small></span></li><li><span class="file">L.A.Slasher.2015.720p.BluRay.H264.AAC-RARBG.nfo<small>3.97KB</small></span></li><li><span class="video">RARBG.mp4<small>992.93KB</small></span></li></ul>
4 </div>
5 <div class="tinfo">
6 <a href="/download.php?n=%E6%B4%9B%E5%9F%8E%E5%B1%A0%E6%89%8Bbt%E7%A7%8D%E5%AD%90%E4%B8%8B%E8%BD%BD.1080p%E9%AB%98%E6%B8%85.torrent&temp=yes&id=27808&uhash=04645321cb7afdbdee192d1d" title="【1080p高清】洛城屠手 /L.A. Slasher .2015.1.61GBBT种子下载" target="_blank"><p class="torrent"><img border="0" src="/style/torrent.gif" style="vertical-align:middle" alt="">【1080p高清】洛城屠手<i>/L.A. Slasher</i>.2015.<em>1.61GB</em>.torrent</p></a>
7 <ul class="btTree treeview"><li><span class="file"><font color="#999">本torrent文件由BT天堂(www.BTtiantang.com)提供!</font></span></li><li><span class="video">L.A.Slasher.2015.1080p.BluRay.H264.AAC-RARBG.mp4<small>1.61GB</small></span></li><li><span class="file">L.A.Slasher.2015.1080p.BluRay.H264.AAC-RARBG.nfo<small>3.97KB</small></span></li><li><span class="video">RARBG.mp4<small>992.93KB</small></span></li></ul>
8 </div>

这里仅仅提供了720p和1080p两种清晰度的种子, 在多种清晰度的情况下, 爬子发现1080p的就会直接跳出对种子列表的遍历, 否则就去下载最高清的那个

1 for (Element eachBtFileLink : btFileLinks) {
2                     Element info = eachBtFileLink.select("span[class=\\"video\\"]").first();
3                     if (info.text().contains(configLoader.getDefinition())) {
4                         targetBtFileLinkSuffix = eachBtFileLink.select("a").first().attr("href");
5                         break;
6                     }
7                     targetBtFileLinkSuffix = eachBtFileLink.select("a").first().attr("href");
8                 }

每发现一个目标种子就紧接着去访问它的下载页面

通过拦截POST请求和查看页面源代码, 我们发现每个种子的下载页面都有arcid和uhash两个属性, POST的时候必须写入这两个东西才行

首先收集页面中这两个属性的值

 1 String arcid = null;
 2                 String uhash = null;
 3                 boolean hasArcid = false;
 4                 boolean hasUhash = false;
 5                 while ((temp = bufferedReader.readLine()) != null) {
 6                     if (temp.contains("var _arcid")) {
 7                         arcid = temp.substring(temp.indexOf("\\"")+1, temp.lastIndexOf("\\""));
 8                         hasArcid = true;
 9                     }
10                     if (temp.contains("var _uhash")) {
11                         uhash = temp.substring(temp.indexOf("\\"")+1, temp.lastIndexOf("\\""));
12                         hasUhash = true;
13                     }
14                 }

如果两个属性值都拿到了就可以提交POST请求去下载种子文件啦

 1 if (hasArcid && hasUhash) {
 2                     URL requestUrl = new URL(REQUEST_URL);
 3                     HttpURLConnection httpUrlConnection = (HttpURLConnection) requestUrl.openConnection();
 4                     httpUrlConnection.setInstanceFollowRedirects(false);
 5                     httpUrlConnection.setDoOutput(true);
 6                     httpUrlConnection.setRequestMethod("POST");
 7                     String OUTPUT_DATA =
 8                             "action=download" +
 9                             "&id="            +
10                             arcid             +
11                             "&uhash="         +
12                             uhash;
13                     OutputStreamWriter outputStreamWriter = new OutputStreamWriter(
14                             httpUrlConnection.getOutputStream());
15                     outputStreamWriter.write(OUTPUT_DATA);
16                     outputStreamWriter.flush();
17                     outputStreamWriter.close();
18                     System.out.print("\\r");
19                     System.out.print("[o] Downloading torrent files...("+i+"/"+validFilmSubURLs.size()+")");
20                     File file = new File(uhash+".torrent");
21                     InputStream inputStream = httpUrlConnection.getInputStream();
22                     FileOutputStream fileOutputStream = new FileOutputStream(file);
23                     byte[] buffer = new byte[1024];
24                     int length;
25                     while ((length = inputStream.read(buffer)) != -1) {
26                         fileOutputStream.write(buffer, 0, length);
27                         fileOutputStream.flush();
28                     }
29                     fileOutputStream.close();
30                     httpUrlConnection.disconnect();
31                 }

到此为止种子收集的模块就初具雏形

以上是关于制作一个听话的电影种子挖掘器的主要内容,如果未能解决你的问题,请参考以下文章

PyQt5 UI 制作一个豆瓣电影信息查看器,初识QThread多线程...

使用文本挖掘技术分析Twitter用户对电影Rangoon的评价

解决方案电影标题中缺少代码的片段,完成挑战更多[关闭]

育啥BT 网站 可以下载最新的 游戏/电影 很多很多 种子的``

日期选择器对话框在片段中不起作用[关闭]

怎么在电脑上搜电影磁力链接