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
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
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 }
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