你好，老司机：种子爬虫企划_html/css_WEB-ITnose

在老司机的安利之下，学会了从 琉璃神社找各种神奇的资源。于是萌生了造这个轮子的欲望。国内这种福利站不知还能维持多久，所以将资源大量扒下来存档是有点卵用的。

GitHub repo

https://github.com/Chion82/hello-old-driver

开发笔记

为了兼容多个站点，我的爬虫脚本并没有针对某个特定的网站进行抓取逻辑定制，而是采取递归遍历网站全部页面+正则匹配磁力链hash的方式抓取整站的磁力链资源。磁力链的hash协议大多数时候是BTIH，hash值为40位的hex字符串，匹配的正则如下：

[^0-9a-fA-F]([0-9a-fA-F]{40})[^0-9a-fA-F]

注意，为了保证hash串长度为40字节，在其前后应加上非hex的匹配，即 [^0-9a-fA-F]。

这样将可能导致一个问题，网站页面源码中可能还存在磁力链以外的SHA-1值，比如琉璃神社在每条用户评论后在一个标签属性内有40字节长的一段hash值，目前的解决方法是忽略HTML标签 内的属性内容：

if (ignore_html_label): #为了增强扩展性，这类fix逻辑应该可控		result_text = re.sub(r'<.*?>', '', result_text)

每个磁力链资源应当要有对应的标题以方便查找，这里以网页的标题作为资源标题，匹配正则如下：

<title>(.+?)</title>

经测试发现，每轮抓取结束后，抓取到的资源数量可能不一样，可能的原因是网站方对访问频次做了限制或者是本地网络质量问题，就算通过连接失败重试、服务器返回5XX后重试等方法也不能解决。于是决定：每次抓取不覆盖上次抓取的结果，而是保留上次的结果，并新增本次抓取到的、上次结果中没有的新磁力链资源。

其他的一些必需属性：

cookie = '' #每次请求需要带上的Cookie。由于琉璃神社目前不需要登录，暂为空串max_depth = 40 #递归最大深度，即从一个网页查找全部链接并依次往下递归访问，最大的深度为40viewed_urls = [] #访问过的URL，避免重复访问found_magnets = [] #查找出来的磁力链资源，避免重复抓取ignore_url_param = True #是否忽略URL中的参数，比如"index.html?xxx=11"将被替换为"index.html"ignore_html_label = True #是否忽略HTML标签内属性

需要定时执行抓取脚本以保证与原网站同步。写了一个shell脚本， sync.sh，作用如下：

• 测试目标网站是否可访问
• 复制上次的抓取结果 magnet_output和 resource_list.json到 archives目录下存档，以当前时间重命名
• 复制上次的抓取日志 lastsync.log和 lasterror.log到 log目录下存档，以当前时间重命名
• 运行Python抓取脚本，这将覆盖项目根目录下的上述抓取结果文件和抓取日志文件
• 将本次的抓取结果梗概（是否成功、新增几条记录以及一些简单统计数据）添加到 README.md中
• 推送到GitHub