堂弟喜欢各种游戏,在没有网络的情况下,上4399显得很无力。
另外,4399广告好多,,而且加载慢。。
怎么办,,写个爬虫吧,,把4399上的“好玩”游戏爬下来。
1. 分析阶段
4399上的游戏,都是 .swf
格式的 flash
想 玩
到一个游戏,我们需要跳转若干的链接:
- 选择一个游戏 -> 进入到游戏介绍
- 选择开始游戏 -> 跳转到游戏界面
- 再仔细在html代码中寻找,最终可能会找到swf源文件所在的地址
- 有一些地址在html代码的
src
中直接给出,有一些则是给出的相对路径 - 那么我们抛弃掉一些吧,反正游戏非常多,忽略掉一些也无所谓
2. 动手吧
直接贴出代码,没什么过多的解释,算是一个crawler的小练习。
#coding=utf-8
#爬取4399所有好玩的游戏
import re
import os
import requests
# 基础url
host_url = 'http://www.4399.com'
swfbase_url = 'http://szhong.4399.com/4399swf'
hw_url = 'http://www.4399.com/flash/gamehw.htm'
if not os.path.exists('./swf'):
os.mkdir(r'./swf')
# 需要的正则表达式
tmp_pat = re.compile(r'<ul class="tm_list">(.*?)</ul>',re.S)
game_pat = re.compile( r'<li><a href="(/flash.*?)"><img alt=.*?src=".*?"><b>(.*?)</b>.*?</li>', re.S )
swf_pat = re.compile(r'_strGamePath="(.*?swf)"',re.S)
game_html = requests.get(hw_url)
game_html.encoding = 'gb2312'
tt = tmp_pat.search(game_html.text,re.S).group(1)
game_list = game_pat.findall(tt)
for l in game_list:
# print l[0], l[1]
game_page = requests.get(host_url + l[0]).text
src_url = swf_pat.search(game_page)
if src_url == None:
continue;
src = requests.get( swfbase_url + src_url.group(1) ).content
print "正在保存游戏:" , l[1]
open( "./swf/"+ l[1] + ".swf", "wb" ).write( src )