python爬虫学习(8) —— 关于4399的一个小Demo

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 )

效果如下：